ارزيابي ميزان داده‌هاي هيدرو گرافي مورد نياز در عمق‌يابي ماهواره‌اي

ََThe Assessment of Required Hydrographic Data for Remote Sensing Bathymetry

عمليات عمق سنجي در نواحي ساحلي وسيع به روش مستقيم آبنگاري (عمق سنجي با اكوساندر) بسيار هزينه بر بوده و زمان زيادي را به خود اختصاص مي دهد. بنابراين سنجش از دور با توجه به توانايي بالا در جمع آوري اطلاعات در زمان كوتاه و در محدوده اي وسيع، راهكاري بسيار مناسب و موثر مي تواند باشد. در تحقيق پيشرو به دو روش عمق يابي ماهواره اي يكي بر مبناي اصول فيزيكي و ديگري بر مبناي نگاشت عددي ( روش شبكه عصبي) اشاره مي شود و در داده ايي يكسان با هم مقايسه مي شوند سپس با توجه به سادگي و بهينه تر بودن نتايج روش دوم، تاثير ميزان اندازه گيري هاي مستقيم براي كاليبره كردن يا آموزش اين روش با مقايسه اختلاف ميانمقادير خروجي با مقادير عمق اندازه گيري شده ارزيابي مي شود. در واقع هدف از انجام آزمونهاي اين قسمت پاسخ به اين پرسش است كه تا چه حد روشهاي عمق يابي سنجش از دور به داده هاي صحرايي نياز دارند و به بيان ديگر رابطه تغيير دقت عمق-سنجي با تغيير تعداد و پراكندگي نقاط كنترل چگونه است و آيا مي توان با تعداد محدودي از خطوط عمق يابي به دقت معقولي رسيد؟ بررسي ها نشان مي دهد كه علاوه بر كارايي روش شبكه عصبي در برآورد عمق تنها يك مسير هيدروگرافي از ساحل تا ميانه دريا مي تواند نتايج رضايت بخشي(RMSE حدود 6/1 و ضريب همبستگي 92%) را ارايه دهد.

Today, depth mapping of coastal and waterfront areas is necessary for various aims such as shipping, dredging, underwater piping, hazardous area detection, hydrological studies, material mapping of water bed, information collection from marine settlements for environment preservation, military and engineering applications. Periodical depth mapping of wide water areas by classic hydrographic method (via ecosounder) is expensive and time consuming. Therefore, due to high capability of remote sensing in rapid data collection from wide area, it can be an effective and proper complementary method for this purpose. Attention to this issue is more important for our country which has long shorelines. At this paper two physical and mathematical bathymetric methods are evaluated. The first method is based on physical behaviour of light attenuation in water column while the second method is a numerical fitting between image gray levels and according water depths by means of artificial neural network (ANN). Our initial experiments show that although the first method has physical meaning but the second method is more accurate and simpler too. Both methods require a set of known hydrographic depthes as calibration data. Therefore, our next experiments try to answer two principal questions: how much can reduce the hydrographic filed operations in remote sensing bathymetry and how much is the accuracy of waterbed topography extracting from satelite images? The result of our experiments showes that introducing of only one hydrographic line perpendicular to coastline as calibration data to ANN method is able to produce satisfied result with depth accuracy RMSE 1.6m and correlation coefficient 92%.