پهپاد برای کاربردهای سنجش از راه دور

چکیده :

سنسورها و سکوهای وسایل نقلیه هوایی بدون سرنشین (UAV) امروزه تقریباً در هر برنامه ای (مثلاً کشاورزی، جنگلداری و معدن) استفاده می شود که به اطلاعات مشاهده شده از نماهای بالا یا مایل نیاز دارد. در حالی که آنها قصد دارند یک ابزار سنجش از راه دور عمومی (RS) باشند، روش‌های پردازش و تجزیه و تحلیل داده‌های مربوطه RS هنوز هم تا حد زیادی برای برنامه‌های کاربردی مورد استفاده قرار می‌گیرند. اگرچه مزایای آشکار داده‌های پهپاد، وضوح فضایی بالا و انعطاف‌پذیری آن‌ها در یکپارچه‌سازی حسگرها و اکتساب‌ها است، به‌طور کلی، تحلیل سیستماتیک در مورد اینکه چگونه این ویژگی‌ها راه‌حل‌ها را برای وظایف معمولی RS تغییر می‌دهند، مانند طبقه‌بندی پوشش زمین، تشخیص تغییر، و نقشه برداری موضوعی برای مثال، داده‌های با وضوح فوق‌العاده بالا (کمتر از 10 سانتی‌متر فاصله نمونه‌برداری از زمین (GSD)) طبقات ناخواسته بیشتری از اشیاء (مانند عابر پیاده و اتومبیل‌ها) را در طبقه‌بندی پوشش زمین به ارمغان می‌آورند. داده‌های سه بعدی اغلب موجود که از تصاویر فتوگرامتری تولید می‌شوند، نیاز به تکنیک‌های پیشرفته‌تری برای تحلیل هندسی و طیفی دارند. در این مقاله، ما یک بررسی انتقادی بر روی وظایف RS انجام می‌دهیم که شامل داده‌های پهپاد و محصولات مشتق شده از آن‌ها به عنوان منابع اصلی آن‌ها از جمله تصاویر خام پرسپکتیو، مدل‌های سطح دیجیتال، و عکس‌های ارتو می‌شود. به طور خاص، ما بر راه‌حل‌هایی تمرکز می‌کنیم که جنبه‌های «جدید» داده‌های پهپاد از جمله (1) وضوح فوق‌العاده بالا را بررسی می‌کنند. در دسترس بودن داده های هندسی و طیفی منسجم. و (3) قابلیت استفاده همزمان از داده های چند حسگر برای همجوشی. بر اساس این راهکارها، ما خلاصه‌ای از نمونه‌های موجود RS مبتنی بر پهپاد در کاربردهای کشاورزی، زیست‌محیطی، شهری و ارزیابی خطرات و غیره ارائه می‌کنیم و با بحث در مورد پتانسیل‌های عملی آن‌ها، نظرات خود را در جهت‌گیری‌های تحقیقاتی آتی آن‌ها به اشتراک می‌گذاریم. نکات قطعی را بیان کنید

کلمات کلیدی:

پهپاد ؛ برنامه های سنجش از راه دور ; تجزیه و تحلیل داده ها

چکیده گرافیکی

1. مقدمه

کاربردهای وسایل نقلیه هوایی بدون سرنشین (UAV) در سال‌های اخیر به منطقه‌ای در حال گسترش در سنجش از دور (RS) تبدیل شده‌اند که ناشی از موفقیت‌های آکادمیک و تجاری آنها است . با این حال، این شیوه‌ها حتی برای کاربردهای مشابه یا مشابه بسیار متفاوت هستند، در درجه اول به این دلیل که جمع‌آوری داده و حسگرهایی که باید استفاده شوند انعطاف‌پذیرتر از روش‌های سنتی هستند. این شیوه‌ها اغلب از طریق یک فرآیند یادگیری از طریق انجام توسعه می‌یابند، و چند مقاله وجود دارد که آثار فعلی کاربردهای شهری و محیطی خاص دامنه و همچنین روش‌ها (به عنوان مثال، استخراج ویژگی و طبقه بندی برای اشیاء خاص) . اگرچه اینها می توانند در زمینه های مربوطه ارزشمند باشند، به طور کلی عدم تحلیل سیستماتیک در مورد اینکه چگونه این ویژگی ها راه حل ها را برای وظایف معمولی RS مانند طبقه بندی پوشش زمین، تشخیص تغییر، و نقشه برداری موضوعی و غیره تغییر می دهند وجود دارد. بنابراین، این موضوع چالش هایی را در شناسایی شیوه‌ها و امکان‌های رایج پهپاد برای استفاده در وظایف خاص، و همچنین روش‌های محک زدن این پهپادها برای محققان در جامعه. ما متوجه شدیم که در بسیاری از موارد، کاربران نهایی به سادگی از همان روش‌هایی استفاده می‌کنند که برای منابع سنتی RS با وضوح کمتر استفاده می‌شود، در حالی که ویژگی‌های منحصر به فرد تصاویر مبتنی بر پهپاد را در نظر نمی‌گیرند. برای مثال، اکثر روش‌های موجود برای طبقه‌بندی تصاویر RS معمولاً بر استخراج ویژگی‌های تصویر دو بعدی (2 بعدی) تمرکز می‌کنند، در حالی که هنگام طبقه‌بندی محصولات تصویر مبتنی بر پهپاد، مدل سطح دیجیتال اغلب موجود (DSM) را می‌توان یکپارچه کرد و به طور مداوم طبقه‌بندی را بهبود بخشید. دقت . علاوه بر این، توسعه پلتفرم‌های پهپاد و حسگرهای مختلف، برنامه‌های کاربردی RS مانند تشخیص اشیا و ردیابی بی‌درنگ در مقیاس‌های دقیق‌تر را برانگیخته است، جایی که تکنیک‌های تجزیه و تحلیل داده‌های پیشرفته توسعه‌یافته در بینایی کامپیوتر و یادگیری ماشین، توانایی پهپاد خودکار را افزایش می‌دهند. تجزیه و تحلیل داده ها در این بررسی، ما یک بحث جامع در مورد روش‌های تجزیه و تحلیل داده‌های پهپاد برای کاربردهای پهپادهای RS بر اساس چالش‌ها و پتانسیل‌های ناشی از جنبه‌های «جدید» داده‌های پهپاد ارائه می‌کنیم که (1) وضوح فوق‌العاده بالا (UHR) است. (2) در دسترس بودن زیاد داده های هندسی و طیفی؛ و (3) ادغام داده های چند سنسوری یکپارچه. به ویژه، جنبه RS این بررسی بر استفاده از محصول مشتق شده از پهپاد، از جمله تصاویر خام، DSM های مشتق شده از فتوگرامتری، و عکس های ارتوگرام برای تفسیر اشیا، تجزیه و تحلیل صحنه، و تشخیص تغییر تمرکز دارد. برای بررسی پردازش فتوگرامتری و توسعه سخت افزار، خوانندگان ممکن است به مرجع مراجعه کنند.

پهپادها به طور کلی بر اساس چندین ویژگی کلیدی مرتبط، از جمله وزن، ارتفاع پرواز، محموله، استقامت و برد طبقه بندی می شوند . یک نمونه طبقه بندی معمولی 5 گروه مختلف از پهپادها را با توجه به حداکثر وزن ناخالص برخاست (MGTW) و ارتفاع عملیاتی و سرعت هوایی معمولی ارائه می دهد . از آنجایی که می‌خواهیم مروری بر روش‌های جدید و برنامه‌های کاربردی RS غیرنظامی ارائه دهیم که توسط چندین ویژگی متمایز (مانند هزینه کم، انعطاف‌پذیری و سفارشی‌سازی) پهپادها ارائه می‌شوند، این مقاله در درجه اول بر روی پهپادهای کوچک (0-20 پوند، <) تمرکز می‌کند. 1200 فوت، <100 گره).

با توجه به ارتفاع کم پرواز، پهپادها به راحتی می توانند اطلاعات بسیار دقیقی از اشیاء مشاهده شده با وضوح فضایی زیر یک دسی متر (UHR) به دست آورند، که امکان تجزیه و تحلیل دقیق هندسی و معنایی را برای یک منطقه نسبتا وسیع تر از یک سایت واحد فراهم می کند، در حالی که وضوح افزایش یافته است. ممکن است همیشه سطح پیشرفت یکسانی را از نظر تفسیر داده‌ها به همراه نداشته باشد: جزئیات اشیا ممکن است پیچیدگی‌های بافت درون کلاس را افزایش دهند که اغلب منجر به خطاهای طبقه‌بندی می‌شود . علاوه بر این، زمانی که اندازه اشیاء در صحنه به طور قابل توجهی متفاوت است، رویکردهای چند مقیاسی باید به منظور کاهش محاسبات غیر ضروری، به ویژه برای تصاویر UHR، استفاده شود و انتخاب مجموعه ای از مقیاس های مناسب می تواند به ویژه چالش برانگیز باشد .

پهپاد با کمک سیستم موقعیت‌یابی جهانی/واحد اندازه‌گیری اینرسی (GPS/IMU) و سیستم‌های خلبان خودکار می‌توانند به راحتی بلوک‌های تصویر فتوگرامتری را ثبت کنند، و مأموریت جمع‌آوری داده‌های پهپاد اغلب به گرفتن فیلم‌های حرکتی کامل یا تصاویر فتوگرامتری با وضوح بالا اشاره دارد. با خطوط لوله پردازش فتوگرامتری پیشرفته ، اطلاعات هندسی سه بعدی (3 بعدی) مانند مش های مثلثی و DSMها امروزه به محصولات استاندارد برای مأموریت های RS مبتنی بر پهپاد تبدیل شده اند. با توجه به اینکه این پلتفرم‌های پهپاد آماده پرواز بسیار انعطاف‌پذیرتر از پلتفرم‌های سنتی هستند، دسترسی به محصولات Orthophoto و DSM از ماموریت‌های پرواز پهپاد می‌تواند بدون درز باشد . علاوه بر این، سنسورهای مرتبط با وزن سبک/کم هزینه مانند دوربین‌های چند طیفی و فراطیفی در دسترس‌تر می‌شوند، که فرصت‌های جدیدی را برای پهپادها به ارمغان آورده است تا راه‌حل‌های همجوشی داده‌های چند منبعی با وضوح فضایی بسیار بالاتر را امتحان کنند. در حالی که چنین ادغام داده ها به طور سنتی در پلتفرم های دیگر مقرون به صرفه است . این مزایا همچنین مستلزم الگوریتم های ثبت مشترک پیشرفته تری هستند که با یکپارچه سازی و کالیبراسیون حسگرها و همچنین تلاش برای اجرای مدل های دوربین جدید/ویژه برای کم مصرف ها سروکار دارند. داده‌های حسگر هزینه (یعنی دوربین‌های ابرطیفی آرایه‌ای خطی و کرکره‌های نورد)، که ممکن است به آسانی قابل دسترسی نباشند.

به عنوان ابزاری برای جمع‌آوری داده‌های RS، داده‌های پهپاد و محصولات مشتق شده از آن دارای وعده‌هایی هستند که به شیوه‌های تحلیل داده‌های RS معمولی خدمت می‌کنند، که دو تکنیک/کاربرد معمولاً در جامعه RS استفاده می‌شوند: (1) طبقه‌بندی پوشش زمین/تصویر یا شی. تشخیص؛ و (2) تشخیص تغییر. در نگاه اول، این برنامه‌ها را می‌توان با استفاده از تکنیک‌های موجود به‌طور شهودی به ارث برد، در حالی که ما استدلال می‌کنیم که اگر از داده‌های پهپاد کمتر استفاده شود، زیرا وضوح مکانی/زمانی فوق‌العاده بالا و همچنین داده‌های هندسی قابل دسترس مرتبط با آن (داده‌های چند وجهی)، فرصت‌ها و راه‌حل‌های بسیار بیشتری ایجاد می‌کند، الگوریتم‌ها و تکنیک‌هایی که مخصوصاً برای چنین داده‌هایی مناسب هستند ارزش بازنگری دارند. این بررسی تمایل دارد با تجزیه و تحلیل ادبیات گذشته و برون یابی روندها و موضوعات بالقوه که تحت چارچوب های کلی در نظر گرفته شوند، خلاصه ای خاص در مورد جنبه های الگوریتمی و کاربردی پردازش داده های RS به ویژه مربوط به داده های پهپاد ارائه کند. مشارکت ما به‌جای اکتشافات علمی صریح، به‌روزرسانی مرحله‌ای را برای همکاران در جامعه ارائه می‌کند تا نشان دهد منابع بالقوه کجا هستند، و همچنین موضوعات و ماهیت‌های شاخه‌ای در هنگام پردازش داده‌های پهپاد به‌عنوان یک منبع RS. به طور کلی، ما فرض می‌کنیم که جنبه‌های هندسی پردازش فتوگرامتری استاندارد برای محصولات RS مبتنی بر پهپاد به خوبی انجام می‌شود، مانند تنظیم بسته‌ای، DSM و عکس‌های ارتو، و ثبت مشترک (یک بررسی عالی که چگونگی استاندارد بودن چنین رویه‌هایی را می‌توان یافت. بنابراین، بررسی ممکن است جنبه‌های هندسی را فقط در صورت لزوم پوشش دهد. بقیه بررسی به شرح زیر سازماندهی شده است: بخش 2 به طور کلی توسعه اخیر حسگرهایی را معرفی می کند که منابع داده های متنوع را تامین می کند. در بخش 3 ، ما تکنیک‌ها و روش‌های تجزیه و تحلیل داده‌های سنجش از دور پیشرفته پهپادها را ارائه می‌کنیم که مربوط به (1) طبقه‌بندی کاربری/پوشش زمین (LULC) و (2) تشخیص تغییرات، و همچنین بحث در مورد بهبودهای بالقوه و جنبه های الگوریتمی باید برای داده های پهپاد با وضوح مکانی/زمانی بالا و چند وجهی در نظر گرفته شود. توجه داشته باشید که در اینجا تشخیص شی را با استفاده از یک چارچوب مشابه (اغلب مبتنی بر یادگیری) به عنوان طبقه‌بندی تصویر در نظر می‌گیریم، و بنابراین طبقه‌بندی تصویر را به عنوان دسته اولیه برای بررسی در نظر می‌گیریم. در بخش 4 ، با نشان دادن تلاش‌های بالقوه در استفاده از داده‌های RS مبتنی بر پهپاد برای کارهایی که به طور سنتی از داده‌های RS هوایی/ماهواره‌ای خودداری می‌کنند، بحث خود را به وضعیت فعلی کاربردهای RS پهپادها می‌پردازیم. بخش 5 این بررسی را خلاصه می کند و توصیه هایی را برای اطلاع رسانی به کارهای تحقیقاتی آینده ارائه می دهد.

2. بررسی اجمالی سنسورهای پهپاد

مجموعه داده‌های پهپاد عمدتاً به عنوان پهپاد با دوربین‌های RGB شناخته می‌شوند، شایان ذکر است که هنگام در نظر گرفتن برنامه‌های حرفه‌ای طیف وسیعی از گزینه‌های حسگر وجود دارد. بسیاری از ابزارهای RS موجود (و گران‌قیمت) برای سکوهای هوایی و ماهواره‌ای در حال حاضر نسخه‌های مینیاتوری و کم‌هزینه خود را برای پلت‌فرم‌های پهپاد، مانند دوربین‌های چند طیفی، فراطیفی، برد کوتاه/متوسط (مثلاً حرارتی) و LiDAR سبک وزن، پذیرفته‌اند. (تشخیص نور و محدوده). دانستن ویژگی‌های این سنسورها و مشخصات آن‌ها، مهندسان و دانشمندان را در هنگام انجام وظایف خاص RS بهتر آگاه می‌کند. توضیحات کلی از حسگرهای موجود مناسب برای سکوهای هواپیمای کم بار را می توان در مقاله بررسی Colomina و Molina و سایر بحث های عمیق در مورد این حسگرها را می توان در مرجع یافت. با این حال، در میان این آثار مرتبط، ارتباط نزدیکی بین ویژگی‌های داده‌های حسگر و کاربردهای بالقوه تا حد زیادی وجود ندارد: داده‌های پهپاد باید بهتر پردازش و تجزیه و تحلیل شوند، با توجه به مزایای وضوح آن‌ها برای برنامه‌های سنتی یا جدید RS. معرفی ما به این حسگرها و داده‌های آن‌ها به سمت هدف اطلاع‌رسانی بهتر به محققانی که الگوریتم‌های پردازش را برای کارهای معمولی آنالیز RS از جمله طبقه‌بندی تصویر و تشخیص تغییر طراحی می‌کنند، متمایل است. سنسورها و مشخصات مورد بحث و همچنین کاربردهای مربوطه و مزایا و معایب آنها در جدول 1 خلاصه شده است و جزئیات این سنسورها در زیر بخش های زیر معرفی شده است.

2.1. دوربین های RGB

RS مبتنی بر پهپاد مدرن با مدل‌های هواپیمای کنترل‌شده از راه دور شروع می‌شود که دوربین‌های معمولی RGB را نصب می‌کنند . اساساً، یک دوربین درجه یک مصرف کننده نصب شده بر روی یک پهپاد، یکپارچه با/بدون حسگرهای ناوبری مانند GPS/IMU اجزای ضروری یک سیستم نقشه برداری پهپاد را تشکیل می دهد. چنین سیستمی که از نظر یکپارچگی حسگر (کم هزینه) مهندسی شده است، در حال در دسترس شدن است و امروزه برای استفاده در سایر کاربردهای محبوب مانند سرگرمی و تلویزیون (به عنوان مثال، پهپادهای DJI) ظاهر شده است. در مقایسه با انواع دیگر حسگرها ، طیف گسترده ای از دوربین های RGB در بازار وجود دارد و برای کاربردهای مختلف، می توان دوربین های RGB مناسب نصب شده بر روی پهپاد را انتخاب کرد. کلید موفقیت پارامترهای رایج برای انتخاب دوربین های RGB شامل لنز دوربین (لنز بهتر با اعوجاج هندسی کمتر است)، و وضوح و کیفیت تراشه های دستگاه همراه با شارژ (CCD) / تراشه های نیمه هادی اکسید فلزی مکمل (CMOS) (اندازه پیکسل و سطح نویز). دوربین‌های با کیفیت بالا محصولات فتوگرامتری خوب و داده‌های نسبت سیگنال/نویز پایین را برای تجزیه و تحلیل داده‌های RS (مانند تقسیم‌بندی و طبقه‌بندی تصویر) تضمین می‌کنند. به طور معمول، سیستم‌های پهپاد بسیار یکپارچه حمل و نقل و کارکرد آسانی دارند، در حالی که دوربین‌های RGB قابل نصب اغلب محدود به چند مدل هستند که امکان کنترل یکپارچه را فراهم می‌کنند. گاهی اوقات، کاربران حرفه ای فتوگرامتری سیستم های سفارشی/کمتر یکپارچه را ترجیح می دهند تا بتوانند به مجموعه بزرگتری از دوربین های RGB برای کاربردهای مختلف دسترسی داشته باشند. به طور کلی، بسیاری از برنامه‌های کاربردی موجود RS هنوز تا حد زیادی به محصولات مبتنی بر دوربین RGB (به عنوان مثال، عکس‌های ارتو و DSM) متکی هستند، مانند تجزیه و تحلیل برای تشخیص تاج درخت، نظارت بر رشد گیاهی و تجزیه و تحلیل تغییر در مقیاس محلی. مجموعه وسیعی از کارها در مورد نقشه برداری فتوگرامتری مبتنی بر پهپاد وجود دارد، که در آن انتخاب مدل ها/پارامترهای دوربین به خوبی مورد بحث قرار گرفته است ، و بسیاری از این موارد را می توان در هنگام تعیین پارامترها (به عنوان مثال، اعوجاج لنز، کانونی) به کار برد. طول و اندازه پیکسل) برای انواع دیگر سیستم‌های دوربین (مانند دوربین‌های چند طیفی، ابرطیفی).

2.2. دوربین های چند طیفی سبک وزن

دوربین‌های چندطیفی یکی از رایج‌ترین حسگرهایی هستند که علاوه بر دوربین‌های RGB در خانواده حسگرهای پهپاد استفاده می‌شوند، زیرا مزایای آن‌ها در به دست آوردن اطلاعات طیفی در باند قرمز و نزدیک به مادون قرمز برای کاربردهای پوشش گیاهی با وضوح بسیار بالا (در مقایسه با محصولات موجود از پلتفرم های دیگر). اگرچه دوربین های RGB قادر به ارائه اطلاعات مربوط به پوشش گیاهی هستند، به عنوان مثال، شاخص های سبزی نرمال شده برای تجزیه و تحلیل پوشش گیاهی. حساسیت طیفی آنها به سطح کلروفیل پوشش گیاهی است، با این حال، برای تجزیه و تحلیل پیچیده تر مانند کمی سلامت گیاه و تشخیص بیماری محدود است. دوربین‌های مادون قرمز نزدیک (به عنوان مثال Canon PowerShot SX260) می‌توانند برای استخراج شاخص‌های گیاهی (VIs) مانند شاخص تفاوت طبیعی شده گیاهی (NDVI) و سایر دوربین‌ها مانند شاخص تفاوت عادی شده سبز گیاهی (GNDVI) و شاخص تفاوت طبیعی افزایش یافته گیاهی (ENDVI) استفاده شوند. ) .

دوربین‌های چند طیفی نصب‌شده بر روی یک پهپاد ممکن است علاوه بر باندهای RGB معمولی، حاوی چند دهم باند باشند. به همین ترتیب، چنین دوربین‌های چند طیفی هنوز هم از نظر طراحی دوربین‌های متریک هستند و بنابراین می‌توانند به راحتی با استفاده از روش‌های فتوگرامتری برای خروجی عکس‌های ارتوفوتو استاندارد و DSM پردازش شوند. یک مزیت بزرگ برای حسگرهای چندطیفی مبتنی بر پهپاد، داده های به دست آمده با وضوح بسیار بالاتر (بهتر از 30 سانتی متر فاصله نمونه برداری از زمین (GSD)) است که معمولاً در RS چندطیفی سنتی قابل دستیابی نیستند. این ممکن است برنامه‌های جدید را به دیدن جزئیات بیشتر در کشاورزی و ارزیابی‌های کیفیت آب سوق دهد، مانند ارزیابی بیماری سطح برگ و مطالعات شکوفایی جلبک مضر سطح پدها .

متفاوت از دوربین های RGB، دوربین های چندطیفی معمولاً به دلیل سخت افزار اضافی مورد نیاز برای سیم کشی باندهای اضافی به باندهای RGB، هزینه بیشتری دارند و از آنجایی که دوربین های چند طیفی عمدتاً برای حرفه ای ها در زمینه پوشش گیاهی و کشاورزی هستند، تعداد محصولات موجود به مراتب کمتر است. نسبت به دوربین های RGB موانع اضافی برای چنین دوربین هایی، سازگاری فرمت داده با بسته های نرم افزاری توانمند است. از آنجایی که بازار هنوز نسبتاً کوچک است و سازندگان مختلف در حال تولید دوربین‌های چند طیفی با تصاویر در فرمت‌های مختلف هستند، بسته‌های نرم‌افزاری پردازش یکپارچه، به‌ویژه پیش‌پردازش داده‌ها (به‌عنوان مثال، فتوگرامتری)، نسبتاً محدود به برخی از مدل‌های دوربین چند طیفی هستند، در حالی که وجود دارد. به طور کلی، روند خوبی است که این داده ها استاندارد می شوند و رسیدگی به آن آسان تر است.

2.3. سنسورهای فراطیفی سبک وزن

دوربین های فراطیفی در RS اغلب بسیار توانمند هستند در حالی که به دلیل هزینه بالا و محدودیت در سازگاری حسگرها با پهپادها، نسبتاً کمتر در دسترس هستند. به منظور ثبت تصاویر با صدها باند باریک (پهنای باند 5-10 نانومتر)، اکثر سنسورهای ابرطیفی سبک وزن فعلی دوربین‌های آرایه‌ای خطی هستند . بدون شک، حسگرهای فراطیفی که چنین حجم بالایی از اطلاعات را می گیرند برای بسیاری از کاربردها بسیار مفید هستند ، در حالی که حسگرهای فراطیفی از نظر طراحی دارای محدودیت های خاصی هستند: (1) وضوح طیفی بالا به قیمت تمام می شود. وضوح فضایی، که معمولاً کمتر از دوربین‌های RGB با مشخصات مشابه (سطح بارگذاری) است. (2) مدل حسی آرایه خطی، اگرچه از نظر ریاضی به خوبی تفسیر شده است، با توجه به اطلاعات محدود محدودی که سازندگان حسگر ارائه می دهند، عملاً پیچیده است. و (3) دوربین‌های ابرطیفی سبک وزن معمولاً در مقایسه با دوربین‌های ابرطیفی هوابرد به دلیل محدودیت بار، دارای نیم محدوده طیفی (400-1100 نانومتر یا 1100-2500 نانومتر) هستند، به این معنی که اگر محدوده طیف وسیع‌تری مورد نیاز است، دو یا چند نور لازم است. ممکن است به دوربین‌های ابرطیفی وزن، به طور همزمان یا متوالی (با پروازهای مختلف) نیاز باشد . محدودیت (1) برای یک دوربین ابرطیفی مبتنی بر پهپاد یک مسئله حیاتی نیست، زیرا با تلاش خاصی در طراحی پرواز (یعنی با ارتفاع پروازی بسیار کم و فاصله کانونی زیاد) و به قیمت پوشش محدود زمین، وضوح تصاویر به دست آمده می تواند به سطوح 2-5 سانتی متر یا کمتر برسد. محدودیت (2) به ویژه در دوربین‌های ابرطیفی مبتنی بر پهپاد مشکل‌ساز است، زیرا سازندگان مختلف از استانداردهای خود پیروی می‌کنند و اغلب آنها فقط از کاربران انتظار دارند که از یک تصویر تحریف‌نشده استفاده کنند که با استفاده از اطلاعات GPS/IMU آنبورد ارجاع داده شده است. زمانی که یک متخصص از دوربین برای ارجاع جغرافیایی دقیق استفاده می‌کند، این امر از نظر فنی پیچیده می‌شود، مانند تنظیم بسته‌ای مشاهدات برای داشتن جهت‌گیری در هر خط اسکن به منظور نمایش آنها به یک محصول با دقت بالا در حال حاضر (مثلا DSM). ثبت دقیق در میان اسکن ها زمانی ضروری می شود که پروازهای متعددی اطلاعات باندهای طیفی مختلف را به دست آورند. اطلاعات فراطیفی، همراه با سایر داده‌های مدالیته، مانند داده‌های به‌دست‌آمده با DSM، می‌تواند برای طبقه‌بندی دقیق‌تر و فنولوژی گیاهی در کاربردهای کشاورزی با وضوح مکانی/زمانی بسیار بالاتر استفاده شود .

2.4. سنسورهای مادون قرمز حرارتی سبک

به عنوان یکی از سنسورهای غیرفعال برد مادون قرمز متوسط (طول موج بین 3 و 35 میکرومتر) ، حسگرهای مادون قرمز حرارتی به طور گسترده در اندازه‌گیری‌های مختلف دمای سطح و انتشار حرارتی استفاده می‌شوند. مسئله کلاسیک در تعیین دمای جنبشی و گسیل از طریق شدت و توزیع آن در منطقه طول موج حسگرهای پهپاد می‌تواند کمی متفاوت از حسگرهای حرارتی هوابرد یا فضابرد باشد. در مورد حسگرهای پهپاد، اثرات اتمسفر نادیده گرفته می‌شوند، کالیبراسیون در سطح آزمایشگاه قابل دسترس‌تر است ، و اندازه‌گیری‌های دما از نظر تئوری دقیق‌تر هستند. با این حال، با در نظر گرفتن بار محدود، سنسورهای مادون قرمز حرارتی سبک وزن معمولاً با آشکارسازهای خنک‌شده ارائه نمی‌شوند، در نتیجه نرخ‌های ضبط پایین‌تر، وضوح فضایی پایین‌تر و حساسیت پایین‌تر به عنوان جبران کاهش نسبت سیگنال به نویز منجر می‌شود. مزیت وضوح داده‌های حسگر حمل‌شده توسط پهپاد که توسط ارتفاع کم پرواز به ارمغان می‌آید همچنان قابلیت دوربین‌های حرارتی را برای تعیین کمیت دقیق اجسام کوچک مانند انسان ، مراکز آتش‌نشانی ، و تشخیص نشت لوله افزایش می‌دهد. . از آنجایی که دما بسیار پویا است، سنسورهای حرارتی اغلب برای تشخیص در زمان واقعی با تصمیم قبلی در مورد نرخ ضبط واجد شرایط استفاده می‌شوند. از سوی دیگر، این می تواند در RS و نقشه برداری زمانی که با حسگرهایی که اطلاعات را از سایر محدوده های طیف به دست می آورند (یعنی باندهای مرئی و باندهای ابرطیفی) یکپارچه می شود، و داده های مادون قرمز حرارتی نیز برای کشاورزی مختلف استفاده می شود و کاربردهای محیطی . مثال‌ها شامل تخمین پارامتر بیوفیزیکی محصول برای کشاورزی دقیق و استفاده از دوربین حرارتی مبتنی بر پهپاد برای تخمین تبخیر آب در مقیاس فضایی بسیار ظریف‌تر برای تحریک و مدیریت منابع آب است .

از نظر تئوری، مدل هندسی یک دوربین حرارتی دقیقاً مشابه یک دوربین پرسپکتیو معمولی است. از سوی دیگر، تصاویر حرارتی معمولاً بافت‌های بسیار کمتری نسبت به تصاویر RGB دارند ، و یک فتوگرامتری/ساختار مدرن از فرآیند حرکت احتمالاً به دلیل فقدان نقاط علاقه شکست خواهد خورد. بنابراین، هنگامی که جنبه های هندسی دوربین در میان است، توصیه می شود یک دوربین RGB نسبت به دوربین حرارتی کالیبره و ثابت شده و برای استفاده از بازیابی پوزهای دوربین حرارتی به طور همزمان عکس بگیرید.

2.5. پهپاد LiDAR

حسگرهای LiDAR به عنوان یکی از دقیق‌ترین راه‌ها برای جمع‌آوری داده‌های هندسی شناخته شده‌اند. LiDAR هوابرد، متحرک و زمینی که امروزه به طور گسترده در جنگل‌داری، میراث فرهنگی و مدل‌سازی اطلاعات ساختمان (BIM) استفاده می‌شود، هم در دانشگاه و هم در صنعت به خوبی تثبیت شده است. مزایای آنها نسبت به فتوگرامتری قابلیت اطمینان بالا و توانایی نفوذ به جنگل های نازک از طریق بازگشت های متعدد است . با این حال، به عنوان یک حسگر که به شدت به دقت موقعیت یابی مستقیم پلت فرم میزبان بستگی دارد، LiDAR حمل شده توسط پهپاد در مقایسه با فتوگرامتری پهپاد نسبتاً ابتدایی است. سنسورهای GPS/IMU در یک پلتفرم پهپاد اغلب نسبت به وضوح حسگر نادرست هستند و همچنین سکو در هنگام پرواز ناپایدارتر است. بنابراین، حتی با سنسورهای LiDAR سبک وزن کالیبره شده، دقت ابرهای نقطه ای به دست آمده نسبتاً پایین است. سیستم‌های LiDAR با پهپاد بسیار دقیق گزارش‌شده معمولاً آن‌هایی هستند که با ایستگاه‌های GPS دیفرانسیل عرضه می‌شوند، جایی که اندازه‌گیری‌های GPS با دقت بالا علاوه بر اندازه‌گیری‌های بسیار دقیق IMU قابل دست‌یابی هستند . از سوی دیگر، مزیت RS و نقشه برداری مبتنی بر پهپاد، هزینه نسبی پایین آنهاست. سنسورهای LiDAR، حتی آن‌هایی که هزینه نسبتاً پایینی دارند، همچنان نسبت به دوربین‌های RGB بسیار بالاتر هستند و به بار بیشتری (تا چند کیلوگرم) نیاز دارند. بنابراین، از نظر هزینه و حسگرهای مورد نیاز برای یکپارچه سازی، سیستم پهپاد LiDAR هنوز به اندازه سیستم های نقشه برداری فتوگرامتری مبتنی بر پهپاد قابل دسترسی نیست. علیرغم در نظر گرفتن محموله و هزینه، پتانسیل های استفاده از هر دو حسگر RGB و LiDAR هنوز بسیار امیدوارکننده است، زیرا قبلاً نشان داده شده است که داده های حسی RGB + LiDAR به خوبی ثبت شده می توانند به آسانی دقت اندازه گیری و تفسیر را بهبود بخشند .

3. تجزیه و تحلیل داده های سنجش از راه دور پهپاد

داده‌های RS که از طریق پلت‌فرم‌های پهپاد با حسگرهایشان به‌دست می‌آیند، تفاوتی با آن‌هایی که به‌طور سنتی در سنسورهای RS هوابرد و فضابرد استفاده می‌شوند، ندارند. در حالی که همانطور که در بخش اول ما در این دست نوشته بحث شد، این دنیای داده حسگر پهپاد دارای احتمال بیشتری از ویژگی های متمایز است: (1) UHR; (2) در دسترس بودن زیاد داده های هندسی و طیفی؛ و (3) داده های حسگر یکپارچه برای تجزیه و تحلیل داده های چند بعدی و چند وجهی. اینها منجر به سناریوهای کاربردی کاملاً متفاوت، کیفیت داده ها و در دسترس بودن مجموعه داده های مختلف می شود که نیازمند تکنیک های تحلیل هدفمندتر است. بسیاری از روش‌های موجود برای پردازش داده‌های RS مبتنی بر پهپاد، یا به سادگی تکنیک‌های تحلیل سنتی را اتخاذ می‌کنند یا کمی اصلاح می‌کنند. ما موافق هستیم که بسیاری از روش‌های موجود که برای تجزیه و تحلیل RS استفاده می‌شوند، قابل استفاده مجدد هستند و می‌توان آن‌ها را برای مقابله با داده‌های RS مبتنی بر پهپاد تنظیم کرد، در حالی که این هنوز به طور سیستماتیک به‌ویژه برای داده‌های پهپاد مورد بحث قرار نگرفته است. در این بخش، هدف ما این است که این شکاف را با بحث در مورد مسائل مورد انتظار و کارهای موجود در دو کاربرد موضعی که معمولاً در RS سنتی استفاده می‌شوند، ببندیم: الف) نقشه‌برداری ULC و ب) تشخیص تغییر، با داده‌های حسگر به‌دست‌آمده از سیستم عامل‌های پهپاد. خلاصه ای از موضوعات مورد بحث و ویژگی های آنها در جدول 2 آمده است .

3.1. نقشه برداری کاربری زمین/پوشش زمین (LULC).

نقشه برداری LULC، حتی پس از سال ها تحقیق، هنوز به طور کامل از طریق یک رویکرد استاندارد با انواع مختلف تصاویر ماهواره ای (رزولوشن طیفی / فضایی) به دست نیامده است. نقشه برداری LULC با استفاده از تصاویر پهپاد، همانطور که توسط بحران وضوح مشاهده می شود، بی اهمیت است: از دهه 1970، وضوح فضایی تصاویر چند طیفی و پانکروماتیک سنجش از راه دور به طور چشمگیری افزایش یافته است ، و روش های پردازش مربوطه همیشه با تغییر وضوح به چالش کشیده می شوند. به دوران جدید برای محققین دشوار است که روش های مبتنی بر پیکسل را به روش های مبتنی بر شی تبدیل کنند، زیرا وضوح (یعنی GSD) از دهم متر به نیم متر می رسد، و امروزه مشکلات مرتبط با آن هنوز در تحقیقات فعال هستند . داده‌های UHR RS با GSD در سطح سانتی‌متری از حسگرهای حمل‌شده توسط پهپاد، سطحی معادل افزایش وضوح را نشان می‌دهند . اشیاء و رویدادهای کوچکی که معمولاً روی سکوهای معمولی قابل مشاهده نیستند، اکنون به اشیاء مورد توجه تبدیل می‌شوند، مانند عابران پیاده در خیابان، اتومبیل‌ها، گیاهان آلوده ، لکه‌های علف‌های هرز و زباله‌دان‌ها .

گزارش شده است که برای داده‌های RS مبتنی بر پهپاد، وضوح فضایی پایین‌تر ممکن است بهترین نتایج را با استفاده از روش طبقه‌بندی سنتی مبتنی بر پیکسل ارائه دهد و با افزایش وضوح، دقت طبقه‌بندی کاهش می‌یابد . وضوح فضایی افزایش یافته اطلاعاتی را با سطح بالایی از جزئیات ارائه می‌کند، اما لزوماً سطح بهبود یکسانی را از نظر دقت طبقه‌بندی برای روش‌های سنتی ارائه نمی‌کند، زیرا این منجر به تنوع بسیار بالاتر در کلاس و شباهت‌های بین طبقاتی می‌شود . در مقایسه با طبقه‌بندی سنتی LULC مبتنی بر پیکسل، محققانی که با تصاویر پهپاد کار می‌کنند تمایل بیشتری به استفاده از روش‌های تحلیل تصویر مبتنی بر شی (OBIA) دارند. ایده OBIA این است که اطلاعات را از طریق پیکسل‌های منسجم و متصل به فضا در بخش‌های مختلف تصویر جمع‌آوری کند، جایی که تجزیه و تحلیل‌ها از طریق این بخش‌ها انجام می‌شود، که علاوه بر این، از اطلاعات شکل بهره می‌برد. با پارامترهای قابل تنظیم (معمولاً مقیاس نامیده می شود، با الگوریتم های تقسیم بندی متفاوت است) که دانه بندی بخش ها را تعیین می کند . اگرچه انتخاب مقیاس بهینه برای تجمع پیکسل ها هنوز یک مشکل چالش برانگیز باقی مانده است ، OBIA به موفقیت بزرگی در برخورد با وضوح بالا (HR، 2-30 متر GSD) و وضوح بسیار بالا (VHR، 0.3-) دست یافته است. 2 متر GSD) تصاویر برای فیلتر کردن اطلاعات بی اهمیت و پر سر و صدا که می تواند نتایج تفسیر را به خطر بیندازد و فرآیند شناخت بصری سلسله مراتبی انسان را مدل کند که استدلال سطح بالا را تسهیل می کند . با تجمیع پیکسل‌های ظاهری منسجم و فضایی متصل، یک شی تصویر (پچ) می‌تواند ویژگی‌های بسیار قوی‌تری نسبت به نمونه‌های اصلی ارائه دهد .

در پردازش تصویر HR و VHR، ویژگی های بافت به طور گسترده ای برای بهبود دقت طبقه بندی LULC استفاده شده است ، مانند ماتریس های همزمان سطح خاکستری (GLCMs) و الگوهای باینری محلی (LBPs) . بسیاری از توصیفگرهای بافت موجود که برای تصاویر VHR استفاده می‌شوند می‌توانند مستقیماً روی تصاویر UHR اعمال شوند . اطلاعات هندسی از داده‌هایی مانند مدل‌های ارتفاعی دیجیتال (DEMs) از تصاویر چند نمای/استریو ، داده‌های LiDAR ، یا داده‌های برداری نیز عالی هستند. ارزش برای طبقه بندی پوشش زمین و تشخیص اشیا . گوو و همکاران در آزمایش‌های طبقه‌بندی خود نشان دادند که ارتفاع نسبی نقش مهمی در دقت طبقه‌بندی دارد و بهترین مجموعه ویژگی‌ها باید ترکیبی از اطلاعات هندسی و طیفی باشد. امروزه، گرفتن DSM از داده‌های فتوگرامتری پهپاد می‌تواند به آسانی یک کلیک ساده روی دکمه با یک نرم‌افزار توانمند باشد، و این امر از طریق فتوگرامتری پیشرفته، ساختار از حرکت ، و تطبیق استریو بسیار کارآمد حاصل می‌شود. الگوریتم علاوه بر این، DSMها و عکس‌های ارتوفتو ثبت شده به صورت پیکسلی اطلاعات بعدی دیگری را ارائه می‌کنند و ثابت شده‌اند که به‌ویژه در افزایش دقت طبقه‌بندی پوشش زمین مؤثر هستند . بهترین بهبود دقت کلی گزارش شده ممکن است تا 30٪ برسد . با توجه به اینکه DSM ها نمایش های شطرنجی هستند، بسیاری از الگوریتم های استخراج ویژگی موجود می توانند مستقیماً برای استخراج اطلاعات مفید اعمال شوند. اغلب، چنین ویژگی های استخراج شده با تفسیر هندسی همراه است. به عنوان مثال، اپراتورهای مورفولوژیکی کلاه بالایی که حباب های بسته را استخراج می کنند را می توان به عنوان روشی موثر برای نمایش اشیاء خارج از زمین مانند ساختمان ها، درختان و اتومبیل ها در نظر گرفت. چنین اطلاعاتی می تواند تا حد زیادی ابهامات طیفی را حل کند.

از آنجایی که وضوح داده‌های RS مبتنی بر پهپاد به سطح بی‌سابقه‌ای افزایش یافته است، OBIA اغلب در بدست آوردن بخش‌بندی مناسب با مشکل مواجه می‌شود، زیرا تفاوت‌های مقیاس بین اشیاء مختلف/یکسان قابل توجه است و ویژگی‌های شکل یا بافت ساده وجود ندارد. به اندازه کافی قوی تر برای تشخیص آنها. یک استراتژی برای مدیریت چنین داده‌های UHR، اتخاذ رویکردهای چند مقیاسی، چه در سطح ویژگی یا در سطح تصویر است. رویکردهای سطح ویژگی اغلب نمایه‌های ویژگی استخراج شده با پارامترهای مقیاس متفاوت را در نظر می‌گیرند و طبقه‌بندی‌کننده چنین پروفایل‌هایی را برای طبقه‌بندی می‌گیرد . رویکردهای سطح تصویر، هرمی از تصاویر را می سازند و سپس به تدریج تصاویر را از طریق هرم طبقه بندی می کنند. شبکه‌های عصبی کانولوشنال عمیق بسیار برجسته به طور ضمنی از مفاهیم مشابه با همبستگی مکانی پیکسل‌ها از طریق نقشه‌های ویژگی چند وضوحی استفاده می‌کنند. یکی دیگر از شاخه‌های این ایده که ممکن است به دنبال بستن چنین شکاف‌هایی باشد، استفاده از روشی سلسله مراتبی برای تقسیم‌بندی تصاویر قبل از طبقه‌بندی است. یک مثال نشان‌دهنده استفاده از سوپرپیکسل‌ها برای تقسیم بیش از حد تصویر به بخش‌های دانه‌دار کوچک و ادغام استراتژیک آنها از طریق تحلیل طیف و/یا بافت است.

همانطور که محتویات صحنه پیچیده می شوند، طبقه بندی کننده های ساده، مانند ماشین بردار پشتیبان تک گذر (SVM) ، جنگل تصادفی ، یا حداکثر احتمال طبقه بندی کننده ها ممکن است کافی نباشند. طبقه‌بندی‌کننده‌های پیشرفته‌تر، از جمله مجموعه‌ای از طبقه‌بندی‌کننده‌های ساده‌تر یا روش‌های مبتنی بر یادگیری عمیق ، هنوز پتانسیل عظیمی برای بررسی این داده‌های چندوجهی با وضوح فوق‌العاده بالا (ارتفاع، اطلاعات حرارتی و فراطیفی). شبکه کاملاً کانولوشنال (FCN) ذاتاً برای طبقه‌بندی تصاویر سنجش از راه دور پیکسلی قابل استفاده است. با این حال، لایه‌های نمونه‌برداری پایین تمایل به تولید گوشه‌های گرد و لبه‌های صاف دارند در حالی که زمینه‌های دریافتی را برای یکپارچه‌سازی اطلاعات متنی افزایش می‌دهند. با در نظر گرفتن ویژگی‌های چند لایه، روش‌هایی مانند U-Net می‌توانند به محلی‌سازی خوبی دست یابند و همزمان از اطلاعات متنی استفاده کنند. اتخاذ معماری هایی با پیچش های گشاد شده می تواند میدان دید را بدون نیاز به نمونه برداری پایین افزایش دهد. از دست دادن اطلاعات مکانی در طول فرآیند پیچیدگی دلیل دیگری برای فقدان جزئیات در تصاویر برچسب‌گذاری شده است. برگادو و همکاران اتصالات پرش را به FuseNet خود معرفی کردند و با بازیابی جزئیات فضایی بالا به دقت بیشتری دست یافتند . لیو و همکاران اشیاء با ساختار ظریف به تدریج با استفاده از نقشه‌های ویژگی‌های سطح پایین که توسط لایه‌های کم‌عمق آموخته می‌شوند . استفاده از تنظیم فضایی پس از طبقه بندی راه دیگری برای دستیابی به دقت طبقه بندی بالاتر است: Mboga و همکاران. یک نقشه طبقه بندی شده توسط FCN را با رأی اکثریت در اشیاء تصویر جغرافیایی و مارمانیس و همکارانش اصلاح کرد. مجموعه‌ای از تقسیم‌بندی معنایی را با لبه‌های مطلع معنایی که توسط تشخیص لبه‌های تودرتوی اصلاح‌شده (HED) شناسایی شده‌اند، پیشنهاد کرد . یکی دیگر از معماری‌های قابل توجه جدید، شبکه تجزیه صحنه هرمی (PSPNet) است: بر اساس شبکه‌های باقیمانده، برای انجام پیش‌بینی قابل‌اعتمادتری از برچسب پیکسل، اطلاعات متنی محلی و جهانی را می‌طلبد . برای یکپارچه‌سازی داده‌های چندوجهی، شبکه‌های عصبی کانولوشن عمیق نیز ظرفیت خود را در هم‌جوشی سطح ویژگی و هم‌جوشی سطح تصمیم برای افزایش دقت طبقه‌بندی نشان می‌دهند.

علاوه بر این، تکنیک‌های یادگیری انتقال بیشتر مورد نیاز می‌شوند، زیرا یادگیری سنتی نمونه به ازای مجموعه داده در تصاویر ماهواره‌ای با فرمت بزرگ دیگر برای مقیاس محلی مناسب نیست، زیرا مجموعه داده‌ها ممکن است از نظر مناطق جغرافیایی متنوع و کوچک باشند . پناتی و همکاران به طور تجربی نشان داده‌اند که ویژگی‌های عمیق به‌دست‌آمده با آموزش روی اشیاء روزمره می‌تواند برای طبقه‌بندی تصاویر هوایی استفاده شود . به حداقل رساندن تغییر دامنه در فضای پیکسل نیز به عنوان روشی امیدوارکننده برای مقابله با شرایط مختلف تصویربرداری RS مبتنی بر پهپادها ارائه می‌شود .

3.2. تشخیص تغییر

تشخیص تغییر، به‌عنوان یک کاربرد موضعی بسیار مهم در RS، ممکن است فرصت‌ها و کاربردهای ناشناخته‌ای را مشاهده کند که در مقیاس‌های فضایی بسیار ظریف‌تر، مانند تشخیص تخلیه غیرقانونی زباله، مکان‌یابی نادرست تأسیسات خیابانی، و تشخیص ناهنجاری جمعیت . مزایای بارز داشتن وضوح فضایی بالاتر و در دسترس بودن اطلاعات هندسی (یعنی DSM) توانایی تشخیص تغییرات اجسام در مقیاس دقیق با دقت بالاتر است. انعطاف پذیری آن در نصب حسگرهای مختلف و همچنین حداقل تدارکات آماده پرواز می تواند جمع آوری داده های زمانی بسیار بالاتر را تسهیل کند، مانند نظارت روزانه، ساعتی، حتی در زمان واقعی با استفاده از جریان های ویدئو و همچنین دسترسی بالاتر به عکس‌های غیر متعارف مانند داده‌های چند طیفی و فراطیفی برای استفاده غیرنظامی.

ثبت اطلاعات زمانی احتمالاً یکی از بزرگترین مسائل برای تصاویر پهپادهای دور نزدیک به دلیل جلوه های پرسپکتیو نسبتاً بزرگ است، در حالی که این عیب ظاهری تا حد زیادی به راحتی قابل حل است تا زمانی که تصاویر به صورت فتوگرامتری گرفته شوند و در نتیجه DSM ها و نسل‌های اورتوفوتوس بدون درز هستند. نقاط کنترل زمینی (GCPs) یا تکنیک‌های تنظیم کلی بسته نرم افزاری (شامل پارامترهای خارجی شناخته شده از داده‌های زمانی مختلف در تنظیم بسته برای تنظیم داده، یا از یک سیستم سینماتیکی با دقت بالا (RTK) با عدم قطعیت شناخته شده) برای رسیدگی به مشکل ثبت و ارائه عکس‌های ارتوفوتیو زمانی و DSMهای همتراز با پیکسل‌های فرعی برای تشخیص تغییرات استفاده می‌شود.

DSM ها نقش مهم تری در تعیین تغییرات نسبت به عکس های ارتوفتو ایفا می کنند، زیرا انتظار می رود تغییرات روشنایی به دلیل محتویات صحنه پیچیده تر باشد. مشابه مشکل طبقه‌بندی پوشش زمین، داده‌های UHR تغییرات ناخواسته‌تری را ایجاد می‌کنند که معمولاً در داده‌های معمولی RS هوایی و ماهواره‌ای، مانند عابران پیاده ایستاده و اتومبیل‌ها، نادیده گرفته می‌شوند. با توجه به اینکه منافع در تشخیص تغییر، اشیاء موقتاً تغییر یافته هستند، بحران تفکیک در مقایسه با مشکلات طبقه‌بندی پوشش زمین جزئی است. با این حال، اگر معانی معنایی اشیاء تغییر یافته مورد نیاز باشد، طبقه‌بندی همچنان باید بر روی نقشه‌های تفاوت یا به طور مستقل در هر مجموعه داده زمانی انجام شود . از نقطه نظر داده، قابل اجراترین سناریو تشخیص تغییرات سه بعدی خواهد بود. همانطور که در مقاله بررسی معرفی شد، تشخیص تغییر سه بعدی به طور کلی شامل سه مرحله پردازش است: (1) انتخاب/اکتساب داده. (2) ثبت نام مشترک داده ها. و (3) تجزیه و تحلیل تغییر. موارد (1) و (2) برای داده‌های پهپاد قابل آدرس‌دهی هستند و مورد (3) برای پهپادها عمدتاً برای تجزیه و تحلیل هندسی یا هندسی به کمک تصویر است، که در آن روش‌های مبتنی بر شی برای تجزیه و تحلیل تغییرات هنگام برخورد با «نمک و فلفل» مورد نیاز است. ” نویزها .

برنامه های کاربردی فعال برای تشخیص تغییر با استفاده از داده های پهپاد دارای مزایای آشکار وضوح مکانی-زمانی و بی ابری در مقایسه با تصاویر ماهواره ای RS هستند، در حالی که محدودیت هایی را برای نقشه برداری یک منطقه بزرگ ارائه می دهند. هنگامی که در برنامه‌ها اطلاعات طیفی مجموعه داده‌های پهپاد برای تجزیه و تحلیل تغییرات مورد نیاز است، باید توجه داشت که ممکن است واریانس طیفی بسیار بالاتری در کلاس وجود داشته باشد، به دلیل پیچیدگی صحنه‌ها و شرایط مختلف تصویربرداری مانند روشنایی و سایه ها (زمان های مختلف روز). بنابراین، هنوز با محدودیت خاصی است که تصاویر به دست آمده در شرایط خارجی مشابه بهتر هستند.

بسیاری از روش‌های توسعه‌یافته تا کنون به‌ویژه برای مجموعه داده‌های پهپادها نیستند، اما به طور کلی روش‌های تشخیص تغییر مبتنی بر شی را می‌توان با برخورد دقیق با عدم قطعیت DSM و ناهمگونی‌های طیف تصویر به‌طور استراتژیک به کار برد. برای انجام تشخیص تغییر با استفاده از داده‌های پهپاد، معمولاً تغییرات باید از طریق واحدهای خاصی با استفاده از تکنیک‌های تقسیم‌بندی تحلیل شوند. با تصاویر چند زمانی که به خوبی پوشش داده شده اند، معیارهایی در تعیین تغییرات از طریق محاسبات لایه، پس طبقه بندی، طبقه بندی جهت یا تحلیل برداری تغییر (CVA) در مرجع یافت می شوند. بررسی های دقیق تر در تکنیک های تشخیص تغییر را می توان در مراجع یافت.

4. کاربردهای سنجش از راه دور پهپادها

کمیسیون اروپا مجموعه ای از کاربردهای غیرنظامی و تجاری پهپادها را فهرست کرده و آنها را به عنوان (الف) دولتی (امنیت مدنی، امنیت مرزی و گارد ساحلی) طبقه بندی کرد. (ب) اطفاء حریق (هماهنگی و ردیابی آتش سوزی جنگل، هماهنگی واکنش به حوادث بزرگ و نجات اضطراری). ج) بخش انرژی (زیرساخت های توزیع صنعت نفت و گاز، شبکه های برق و شبکه های توزیع). (د) کشاورزی جنگلداری و شیلات (نظارت بر محیط زیست، گردگیری محصول و استفاده بهینه از منابع). (ه) رصد زمین و RS (پایش آب و هوا، عکس‌برداری هوایی، نقشه‌برداری و نقشه‌برداری، رویدادهای لرزه‌ای، حوادث بزرگ و پایش آلودگی). (f) ارتباطات و پخش (پلتفرم‌های ارتفاع بسیار بالا، با استقامت طولانی (VHALE) به‌عنوان ماهواره‌های پراکسی، پهپادهای بلندمدت ارتفاع متوسط (MALE) برای پوشش ارتباطی، و سکوهای دوربین) . در این بخش، برای نشان دادن استفاده جامع از جنبه‌های «جدید» RS مبتنی بر پهپاد، نمونه‌هایی از کاربردهای RS مبتنی بر پهپاد را در زیر چترهای زیر ارائه می‌کنیم: (1) کشاورزی دقیق و پوشش گیاهی (بخشی از «d»). (2) محیط زیست شهری و مدیریت (بخشی از “e”). (3) فاجعه، خطر، و نجات (بخشی از “الف”). برنامه های منتخب این دسته ها را می توان در جدول 3 یافت .

4.1. کشاورزی و پوشش گیاهی دقیق

کشاورزی دقیق مستلزم نگاشت تغییرپذیری فضایی بسیاری از متغیرهایی است که می‌توان اندازه‌گیری کرد (به عنوان مثال، عملکرد محصول، ویژگی‌های زمین/توپوگرافی، محتوای مواد آلی و سطوح رطوبت) به عنوان ورودی سیستم پشتیبانی تصمیم برای مدیریت مزرعه . به همین دلیل، تکنیک های RS به طور گسترده در کشاورزی و زراعت استفاده می شود . با توجه به اینکه متغیرهای مؤثر بر بهره وری از نظر مکان و زمان بسیار متغیر هستند، مقالات اخیر نشان دهنده روند استفاده از پهپادها توسط محققان و کشاورزان برای نظارت بر مزارع خود به دلیل قابلیت عملیاتی بالای آنها است که چشم انداز بی سابقه ای از فضای فوق العاده بالا و فضایی فوق العاده بالا ارائه می دهد. وضوح زمانی و بدون انسداد ابر نیز. علاوه بر این، با توجه به کارایی اقتصادی آن با پرواز، انیمیشن سری زمانی که تغییر محصول را نشان می‌دهد، می‌تواند به راحتی با حداقل فاصله چند ساعته به دست آید . فرصت‌هایی نیز در برنامه‌های جدید تجزیه و تحلیل پوشش گیاهی در مقیاس‌های دقیق‌تر مانند نقشه‌برداری، تشخیص و نظارت بر تغییرات در سطح درخت یافت می‌شود.

ایجاد نقشه های محصول یا پوشش گیاهی با دقت بالا برای بسیاری از وظایف مانند تخمین زیست توده، پیش بینی عملکرد و نظارت بر آلودگی محصول حیاتی است. برای بررسی وضعیت محصول، Sugiura و همکاران. سیستمی را توسعه داد که حسگر تصویربرداری را بر روی یک هلیکوپتر بدون سرنشین برای نقشه برداری دقیق اطلاعات محصول با وضوح فضایی 1.8 سانتی متر و 4.1 سانتی متر، که به ترتیب از ارتفاعات 30 و 70 متری گرفته شده است، نصب کرد. اعوجاج جهت تصویر ناشی از تغییر وضعیت هلیکوپتر با کمک یک سیستم موقعیت یابی جهانی سینماتیک بلادرنگ (RTK-GPS) و یک حسگر اینرسی (INS) حذف می شود که به کاهش خطای فضایی 38 سانتی متری کمک می کند . یک کاربرد موفقیت آمیز تجزیه و تحلیل پوشش گیاهی طبقه بندی در مزرعه ساحلی که نشان دهنده مرگ و میر چوب مرده ایستاده و تاج پوشش است توسط دانفورد و همکاران گزارش شده است. با استفاده از رویکردهای شی گرا در 6.8-21.8 سانتی متر GSD. این کار همچنین نشان داد که محدودیت‌های عمده نقشه‌برداری پوشش گیاهی با پهپادها از تغییرات تفکیک مکانی و رادیومتری ناشی می‌شوند .

تعدادی از شاخص‌های پوشش گیاهی RS (VIs) در گذشته برای بازیابی وضعیت بیوفیزیکی (به عنوان مثال، محتوای آب، رنگدانه‌ها، محتویات قند و کربوهیدرات، محتوای پروتئین، و سطوح تنش غیرزیستی/زیستی) محصولات یا درختان ایجاد شده‌اند. در میان آنها، محبوب ترین آنها عبارتند از NDVI، شاخص گیاهی مقاوم در برابر جو (ARVI)، شاخص گیاهی بهینه شده با خاک (OSAVI)، شاخص روشنایی خاک (SBI)، شاخص گیاهی سبز (GVI)، و شاخص گیاهی زرد (YVI). تعداد زیادی از تحقیقات همبستگی بین NDVI و شاخص سطح برگ (LAI) را با شرایط مختلف تصویربرداری، مکان‌ها و فصول مختلف و غیره نشان داده‌اند . اکثر این شاخص ها بر اساس مخلوط باندهای مرئی و باند مادون قرمز نزدیک (NIR) هستند، به جز موارد نادری که در آن فقط طیف های مرئی در نظر گرفته می شوند . به دلیل حداقل تاثیر عوامل جوی در حین جمع‌آوری داده‌ها، تعدادی VI با در نظر گرفتن اثرات جوی برای پهپادها ضروری نیست. اگرچه دوربین‌های سبک وزن با وضوح بالا حاوی باند NIR در دسترس هستند، اکثر پهپادهای خارج از قفسه هنوز فقط دوربین‌هایی را نصب می‌کنند که بر روی نوارهای قابل مشاهده برای شاخص‌های مشتق شده کار می‌کنند .

امکان دستیابی به ساختار سه بعدی با وضوح بالا از محصولات و درختان با دوربین های LiDAR یا نوری در پهپادها در سال های اخیر مورد بررسی قرار گرفته است. به عنوان مثال، والاس و همکاران. پتانسیل های پهپاد برای اندازه گیری خواص ساختاری جنگل ها را با مقایسه دو روش مختلف (اسکن لیزری هوابرد (ALS) و ساختار از حرکت (SFM)) برای به دست آوردن ارتفاع مطلق زمین و اطلاعات تاج پوشش بررسی کرد. نتایج نشان می دهد که هر دو تکنیک برای سایبان نسبتاً کم مناسب هستند، در حالی که ALS بهتر از SFM/فتوگرامتری در گرفتن پوشش های سایبان متراکم تر عمل می کند . اطلاعات سه بعدی در نظارت بر محصولات یا درختان مفید است زیرا واریانس ساختاری سه بعدی زمانی همراه با رشد را نشان می دهد و داده های UHR و قابلیت بازبینی مجدد انعطاف پذیر پهپاد امکان ثبت دقیق تغییرات زمانی را در یک بازه زمانی کوتاه می دهد. به عنوان مثال، Bendig و همکاران. مدل‌های سطح محصول چند زمانی را در طول فصل رشد تولید کرد و سپس از اختلاف ارتفاع مشتقات برای نشان دادن رشد ارقام استفاده شد. دونگ و همکاران یک تکنیک نظارت بر محصول 4 بعدی (4 بعدی) را بر اساس بازسازی مکانی-زمانی با اتخاذ یک الگوریتم تداعی داده قوی ارائه کرد که نتایج بازسازی تک ردیفی را به عنوان نقطه شروعی برای ارتباط داده ها در ردیف ها و زمان ها معرفی می کند.

4.2. محیط زیست شهری و مدیریت

گزارش شده است که جمعیت شهری تا سال 2050 66 درصد از کل جمعیت کره زمین را اشغال خواهد کرد . با مشاهده در مقیاس های خوب، محیط شهری به دلیل فعالیت های انسانی بسیار پویا است، که میل به کاربردهای مختلف پهپادهای چالش برانگیز شهری از جمله کنترل ترافیک در زمان واقعی ، مدیریت زیرساخت های شهری و مشاهده ساختمان را ایجاد می کند. ]. به عنوان مثال، وضعیت جاده‌های آسفالت‌شده مانند فرورفتگی و ترک برای ایمنی رانندگی و مصرف سوخت بسیار مهم است، که نیاز به بازرسی‌های مکرر با وضوح مکانی بالا دارد، زیرا اندازه‌های نقص معمولاً به اندازه ده‌ها سانتی‌متر است. با این حال، یک بررسی سنتی در محل یا استفاده از وسایل نقلیه زمینی برای تشخیص آسیب جاده‌ها ممکن است هزینه بالایی یا حتی خطرات ایمنی پایدار را به همراه داشته باشد. در این راستا، RS مبتنی بر پهپاد ممکن است به دلیل انعطاف پذیری بالا و در دسترس بودن داده های هندسی و طیفی در UHR، جایگزین خوبی برای این موضوع باشد.

برانکو و سگانتین روشی را برای ثبت خودکار شرایط روسازی جاده آسفالتی با تصاویر پهپادها با وضوح فضایی 4 سانتی متر پیشنهاد کردند، که در آن پیش پردازش رادیومتری و به دنبال آن الگوریتم های یادگیری ماشین برای تشخیص عیوب استفاده می شود ، و در چنین کاربردی، ساختار سه بعدی خود می تواند به ویژه در تعیین اعوجاج هندسی جاده مفید باشد . اقدامات مشابهی توسط Phung و همکاران انجام شد. برای تشخیص ترک‌های ساختمان‌ها. در کار خود، برای اطمینان از جمع‌آوری کامل اطلاعات ساختمان، ابتدا یک مدل درشت برای برنامه‌ریزی مسیر پرواز ایجاد کردند و سپس از یک روش ساده مبتنی بر آستانه برای شناسایی ترک‌های احتمالی با موقعیت آنها استفاده کردند.

یک مزیت طبیعی پهپاد در استفاده برای تجزیه و تحلیل صحنه پویا، وضوح مکانی-زمانی بالای آن است و بنابراین برنامه‌های کاربردی فعال شده را می‌توان به آسانی به اشیاء کوچکتر با سطوح بالایی از جزئیات گسترش داد. تلاش‌ها در چنین تحلیل صحنه‌های پویا شامل نقشه‌برداری دقیق پوشش گیاهی شهری و سطوح غیرقابل نفوذ با استفاده از ترکیب DSM با وضوح بالا و عکس‌های ارتو ، با طبقه‌بندی پوشش زمین بهبود یافته است. امکان به دست آوردن داده در فرکانس بسیار بالاتر منجر به تمرکز روی اجسام کوچک با دینامیک سریعتر می شود. برای مثال، Qin تغییرات هندسی ساختمان‌ها و تأسیسات عمومی کوچک، و همچنین تغییرات قابل‌توجه سایبان درختان را در سناریوهای شهری با استفاده از تصاویر پهپاد شناسایی کرد. اگرچه این آثار موجود عمدتاً از دوربین‌های معمولی RGB استفاده می‌کنند، اما ما انتظار داریم که کار با استفاده از دوربین‌های چندطیفی یا فراطیفی به‌عنوان وسیله‌ای برای ارزیابی دینامیک زمانی، مانند نظارت بر بیماری‌های محصول و جزایر گرمایی شهری، قابل دوام‌تر شدن باشد .

4.3. فاجعه، خطر و نجات

RS به عنوان یک ابزار مهم برای ارزیابی ریسک و عملیات نجات دیده می شود . پهپادهای کم‌هزینه اکنون برای جمع‌آوری سریع داده‌ها در محل برای کمک به مدیریت بلایا ، مانند نقشه‌برداری، نظارت، و استقرار خودکار روبات‌های پرنده ضروری هستند.

یک سناریوی مورد استفاده اغلب گزارش شده در مدیریت بلایای مبتنی بر پهپاد، ارزیابی آسیب ساختمان پس از لرزه است که با قابلیت پهپاد در به دست آوردن داده های سایت به عنوان اطلاعاتی مانند مساحت، مقدار، میزان و نوع خسارت پردازش می شود. ، تیم های امدادی از مسیرهای امن و مفاسد احتمالی ناشی از شوک های ثانویه بهتر مطلع خواهند شد. مدل‌های ساختمانی سه‌بعدی سایت‌ها را می‌توان از طریق نقشه‌برداری مبتنی بر پهپاد یا ابرهای نقطه‌ای LiDAR بازسازی کرد، که می‌تواند توسط متخصصان برای شناسایی فروپاشی‌های کلی، ریزش‌های جزئی و سازه‌های پرخطر استفاده شود. چنین شناسایی‌هایی را می‌توان از طریق طبقه‌بندی بدون نظارت یا تکنیک‌های تشخیص تغییر سه‌بعدی (زمانی که تصاویر قبل و بعد در دسترس هستند) خودکار کرد . ماهیت دقت بالای داده‌های توپوگرافی مشتق از پهپاد (DSM) اکنون می‌تواند به آسانی با هزینه بسیار کمتر در پایش و تجزیه و تحلیل بلایا استفاده شود. مثال‌ها عبارتند از استفاده از آن در پایش دینامیکی زمین لغزش و تشخیص تغییر در تأسیسات ساحلی به کمک ارزیابی آسیب‌پذیری ناشی از بلایای طبیعی مانند گردباد . DSM یا DEM که با استفاده از پلتفرم‌های پهپاد به دست می‌آید می‌تواند تا سطوح سانتی‌متری برسد و می‌تواند به خوبی ارجاع جغرافیایی یا مشترک ثبت شود. مزیت خوب استفاده از این داده‌های با دقت بالا با وضوح بالا این است که جابه‌جایی را می‌توان به طور همزمان در جهت‌های افقی و عمودی در مقایسه با رادار مبتنی بر تصویر (در جهت افقی) و رادار دیافراگم مصنوعی تداخل سنجی (InSAR) انجام داد. تجزیه و تحلیل جابجایی مبتنی بر (در جهت عمودی) .

5. نتیجه گیری و روندهای آینده

در این کار، مروری بر پردازش داده‌های پهپاد RS و کاربردهای خاص آن‌ها ارائه کردیم. جنبه های “جدید” ارائه شده توسط RS مبتنی بر پهپاد در آنها نهفته است: (1) UHR; (2) در دسترس بودن زیاد داده های هندسی (یعنی DSM). و (3) انعطاف پذیری در ادغام چند حسگر. ما ارائه کرده‌ایم که چگونه این جنبه‌های جدید باید در هنگام پردازش RS مبتنی بر پهپاد در دو کاربرد معمولی RS در نظر گرفته شوند: طبقه‌بندی پوشش زمین و تشخیص تغییر. جدید و مجموعه متنوعی از برنامه های کاربردی خاص مرتبط با داده های حسگر پهپاد معرفی شدند. وقتی صحبت از پردازش تصاویر مبتنی بر پهپاد می شود، به طور کلی تغییرات ظاهری در کلاس و عدم قطعیت اطلاعات DSM وجود دارد. روش‌های پیشرفته‌تر پردازش داده شامل تقسیم‌بندی تصویر سلسله مراتبی و طبقه‌بندی مبتنی بر یادگیری عمیق است. علاوه بر این، از آنجایی که داده‌های پهپاد تمایل دارند سناریوهای در مقیاس محلی را مشخص کنند که ممکن است به‌طور چشمگیری متفاوت باشد، داده‌های آموزشی موجود برای تقویت برنامه‌های یادگیری ماشینی موفق می‌تواند یک چالش باشد و بنابراین تکنیک‌های یادگیری انتقال قادر به استفاده از اطلاعات از مجموعه داده‌های برچسب‌گذاری شده می‌تواند حیاتی باشد. .

ویژگی های پهپاد با ارتفاع پرواز کم، هزینه کم و انعطاف پذیری بالا فرصت های جدیدی را برای برنامه های RS در مناطق مختلف با وضوح مکانی بالا، فرکانس بالا و داده های چند منبع فراهم می کند. برای بهره‌گیری کامل از این ویژگی‌های داده‌های پهپاد، روش‌های جدیدی در چند سال گذشته پیشنهاد شده‌اند که در آن تکنیک‌هایی با استفاده از ساختارهای هندسی صحنه‌ها در قالب اطلاعات سه‌بعدی ممکن است به‌عنوان نقطه شروع در پردازش تصاویر پهپادها عمل کنند، مانند داده‌های سه بعدی در بیشتر اوقات به طور طبیعی در دسترس هستند. علاوه بر این، مروری بر چند برنامه کاربردی مرتبط و غیر فراگیر در زمینه کشاورزی دقیق و پوشش گیاهی، محیط شهری و مدیریت، و بلایا، خطرات و نجات به عنوان حوزه‌های جدید و در حال توسعه برنامه‌هایی که می‌توانند از داده‌های مبتنی بر پهپاد بهبود یافته بهره‌مند شوند. تکنیک های پردازش ارائه شد. از آنجایی که کاربران انعطاف‌پذیری بیشتری برای طراحی و تمرین با پارامترهای پرواز، پلتفرم‌ها و وضوح‌های مختلف دارند، محک زدن هندسی و طبقه‌بندی قابل دستیابی ممکن است به مجموعه داده‌های استاندارد شده نیاز داشته باشد. علاوه بر این، با توجه به ارتفاع پایین پرواز و ماهیت کاربردهای UHR (سطح بالایی از جزئیات مورد نظر)، داده های به دست آمده احتمالاً اطلاعات بیشتری را در مورد نمای اشیاء معرفی می کند، و بنابراین ارزیابی دقت در یک سناریوی 3 بعدی/حجمی واقعی ممکن است بیشتر در نظر گرفته شود. مناسب

علیرغم این واقعیت که پلتفرم‌های پهپاد و حسگرهای داخلی به راحتی قابل دسترسی هستند و به طور گسترده و با موفقیت در زمینه‌های مختلف مورد استفاده قرار گرفته‌اند، کار بیشتری بر روی پردازش داده‌های آن مانند تجزیه و تحلیل داده‌های چند وجهی (ترکیب هندسی و بافت‌ها) و شیء مورد نیاز است. ردیابی در درهم و برهم، همانطور که با داده های پهپاد موجود، مشاهدات خود را از سطح شی ایستا به سطح شی پویا (مثلاً اتومبیل ها و عابران پیاده) منتقل می کنیم، جایی که تکنیک های سنتی باید به روش های پیشرفته تر مانند کانولوشن عمیق یا گرافیکی ارتقا یابد. شبکه های عصبی برای مقابله با داده های چند وجهی برای تفسیر دقیق شی. از سوی دیگر، انجام تجزیه و تحلیل RS با استفاده از پهپاد شامل تلاش‌های مشترک در جمع‌آوری و پردازش داده‌ها است، در حالی که کار تجزیه و تحلیل عدم قطعیت‌های مرتبط با این فرآیندهای دو مرحله‌ای و همچنین استانداردسازی نتایج تفسیر قابل دستیابی (طبقه‌بندی و تشخیص تغییر) در یک روش کنترل‌شده هنوز وجود ندارد، که ممکن است در هنگام استفاده از روش‌های RS مبتنی بر پهپاد برای برنامه‌های مربوطه، به محققان جامعه اطلاع دهد.

جدول 1. نمای کلی سنسورهای پهپاد(UAV) و نمونه هایی از این سنسورها.

جدول 2. ملاحظات الگوریتمی برای داده های به دست آمده با استفاده از سیستم عامل های مختلف سنجش از دور.

جدول 3. مروری بر برنامه های سنجش از راه دور پهپادهای انتخاب شده

پهپاد برای کاربردهای سنجش از راه دور