استخراج مدل رقومي سطح با استفاده از تك‌تصوير ماهواره‌اي با حدتفكيك بالا و مدل رقومي جهاني SRTM برمبناي يادگيري عميق

مدل رقومي سطح (DSM) از جمله مهم‌ترين محصولات در حوزه فتوگرامتري و سنجش‌ازدور مي‌باشد و كاربردهاي متنوعي در اين حوزه دارد. تكنيك‌هاي موجود به بيش از يك تصوير براي استخراج DSM نياز دارند و در اين مقاله سعي شده است امكان استخراج DSM از تك تصوير ماهواره‌اي آناليز و بررسي شود. در اين راستا، يك الگوريتم برمبناي شبكه‌هاي عصبي كانوولوشني عميق طراحي شد. در الگوريتم پيشنهادي ابتدا پيش پردازش‌هايي نظير تقسيم تصاوير ماهواره به تصاوير كوچك‌تر، محلي‌سازي مقادير ارتفاعي و تقويت داده‌هاي آموزشي براي آماده‌سازي داده‌ها براي ورود به شبكه انجام مي‌شود. شبكه عصبي كانوولوشني (CNN) پيشنهادي داراي ساختاري كدگذار-كدگشا مي‌باشد كه در مرحله كدگذاري ويژگي‌هاي مختلف و كارآمد در مقياس‌هاي متفاوت استخراج‌شده و در مرحله كدگشايي و با ارائه روندي كارآمد، ويژگي‌هاي توليدشده براي تخمين مقادير ارتفاعي با يكديگر تلفيق مي‌گردند. سپس با ارائه يك الگوريتم پيكسل‌هاي زميني و غيرزميني از هم تفكيك‌شده و مقادير ارتفاعي عوارض غيرزميني استخراج مي‌شوند. با اضافه نمودن عوارض غيرزميني به همراه اطلاعات ارتفاعي به مدل رقومي ارتفاعي ماموريت توپوگرافي رادار شاتل (SRTM) با ابعاد پيكسل زميني 30 متر، DSM نهايي بدست مي‌آيد. الگوريتم پيشنهادي با استفاده از تصاوير ماهواره‌اي و DSMهاي متناظر آن‌ها ارزيابي شد. با ارزيابي تصاوير ارتفاعي كوچك تخمين زده‌شده توسط شبكه CNN پيشنهادي به‌طور متوسط مقادير 921/0، 221/0 و 956/2 متر به ترتيب براي خطاي ميانگين نسبي (ER)، خطاي ميانگين لگاريتم (EL)، ريشه جذر ميانگين مربعات (ERMSE) حاصل شد. همچنين با ارزيابي DSMهاي يكپارچه نهايي ايجاد شده به طور متوسط مقدار 625/4 متر به ترتيب براي ERMSE بدست آمد.

The digital surface model (DSM) is an important product in the field of photogrammetry and remote sensing and has variety of applications in this field. Existed techniques require more than one image for DSM extraction and in this paper it is tried to investigate and analyze the probability of DSM extraction from a single satellite image. In this regard, an algorithm based on deep convolutional neural networks (CNN) is designed. In the proposed subject, firstly, some preprocessing such as dividing the satellite image into smaller images, localizing the height values and data augmentation are applied in order to prepare data to enter the network. The proposed CNN network has an encoder-decoder structure in which, different and effective features in different scales are extracted in the encoder stage and the generated features are fused to estimate height values by presenting an effective procedure in the decoding stage. Subsequently, the ground and non-ground pixels are separated and height values of the non-ground objects are extracted. The final DSM is obtained by adding the nonground pixels with height information to the SRTM digital elevation model (DEM) with 30 meter pixel size. The proposed algorithm is evaluated using the satellite images and their corresponding DSMs. Analyzing the estimated small height images using the proposed CNN indicated 0.921, 0.221 and 2.956m on average for relative mean error (ER), logarithm mean error (EL) and root mean squared error (ERMSE), respectively. Moreover, analyzing the final seamless DSMs indicated 4.625 on average for ERMSE.