בחינת שילובי נתונים לשיפור הדיוק בסביבות כפריות ועירוניות:
עם התרחבות יישומי הבינה המלאכותית (AI), אוטומציה של חילוץ מבנים מנתוני חישה מרחוק צוברת תאוצה משמעותית. מחקר פינלנדי שנערך לאחרונה בחן שילובי נתונים שונים המשפרים את דיוק זיהוי המבנים באזורים כפריים ועירוניים, תוך ניצול נתוני ליידאר ומודלים דיגיטליים של פני השטח (DSM) המבוססים על דימות אווירי, בשילוב עם למידה עמוקה.
התקדמות טכנולוגית בחילוץ מבנים:
חילוץ מבנים מנתוני חישה מרחוק עבר שדרוגים משמעותיים עם התפתחות תחום הלמידה העמוקה ורשתות נוירונים קונבולוציוניות (CNNs). רשתות אלה, ובמיוחד המודל UNet, מציגות ביצועים גבוהים באיתור מבנים מתוך נופים מורכבים. עם זאת, רמת הדיוק אינה תלויה רק בארכיטקטורת המודל אלא גם בסוג הנתונים שבהם נעשה שימוש.
מודלים דיגיטליים של פני השטח (DSM), המעניקים מידע קרדינלי על גובה, הופכים לפופולריים יותר ויותר בחישה מרחוק בשל יכולתם להבליט מאפיינים חיוניים לזיהוי מבנים. בהקשר זה, שילוב של DSM מליידאר ומודלים דיגיטליים של גובה (DEM) יחד עם תמונות אורתופוטו אמיתיות מציע שיפורים מבטיחים בזיהוי, במיוחד בעבודה עם נתונים ברזולוציה גבוהה כמו מודלים של ליידאר ברזולוציה של 25 ס"מ לפיקסל.
בחירת אזורי בדיקה בפינלנד:
בפרויקט המחקר בפינלנד נעשה שימוש במערכי נתונים מרובים שסופקו על ידי הסקר הלאומי של פינלנד. נבחרו שני אזורי מחקר:
אזורים עירוניים ויעריים - Savonlinna .
נופים כפריים ופרווריים - Pudasjärvi .
נעשה שימוש בנתונים ברזולוציה גבוהה (25 ס"מ), הכוללים DSM מליידאר או DSM מבוסס דימות אווירי וכן DEM, אשר שולבו עם תמונות אורתופוטו אמיתיות כדי להעריך את ביצועי הזיהוי. הרזולוציה הפיקסלית באתר הבדיקה ב-Savonlinna הייתה 30 ס"מ, בעוד שב-Pudasjärvi היא הייתה 25 ס"מ. כל מערך נתונים אפשר השוואה מפורטת של ההשפעה של סוגי DSM ו-DEM שונים על דיוק הזיהוי בסביבות מגוונות.
ניתוח תוצאות:
המודל UNet, אשר אומן על DSM מליידאר, הפגין באופן עקבי דיוק גבוה יותר בזיהוי מבנים מאשר כאשר נעשה שימוש ב-DSM מבוסס דימות אווירי.
באזורים מיוערים, ליידאר שיפר את הביצועים משום שהפרעות מצד צמחייה וצללים היו פחות משמעותיות.
באזורים עירוניים, למרות שה-DSM מבוסס דימות אווירי היה אפקטיבי, לעיתים קרובות הוא טשטש את גבולות המבנים בשל השפעות של צללים ותכונות חופפות.
ליידאר DSM יצר הבחנה חדה יותר של מבנים, במיוחד כאשר היה צורך בלכידת קצוות מבנה מדויקים.
עם זאת, היו מקרים שבהם מבנים לא הופיעו במערך הנתונים של הליידאר, למשל עקב החזרות מגגות או השפעות לחות. במקרים כאלה, DSM המבוסס על דימות אווירי שימש להשלמת המידע החסר.
ניתוח השוואתי לפי אזורי הבדיקה:
אזור עירוני ויערני - Savonlinna
ביישובים עירוניים, שימוש ב-DSM מליידאר הפחית את שיעור הזיהויים השגויים בקרבת מקווי מים ויצר גבולות מבנים חדים יותר.
באזורים מיוערים, בהם צללים מעצים עשויים להקשות על הזיהוי, מודל הליידאר הוביל לתוצאות מדויקות יותר.
נתונים ברזולוציה של 25 ס"מ הביאו לדיוק גבוה יותר מאשר נתונים ברזולוציה נמוכה יותר (כגון 2 מטרים), מה שמדגיש את היתרון של שימוש בנתוני ליידאר ברזולוציה גבוהה.
אזור כפרי ופרוורי - Pudasjärvi
אזורים כפריים הציבו אתגרי ייחודיים, למשל חוסר עקביות בגובה פני המים, שגרם לזיהויים שגויים של מבנים.
הסרת גבהים שגויים של מים מ-DSM של ליידאר שיפרה את איכות הזיהוי והפחיתה טעויות.
מודלים שאומנו על נתוני DEM ברזולוציה 25 ס"מ הביאו לתוצאות טובות יותר לעומת נתוני DEM מרוסמלים של 2 מטרים, מה שמאשר את היתרון שבשימוש בנתוני ליידאר ברזולוציה גבוהה.
אתגרים ואסטרטגיות לשילוב נתונים:
תזמון איסוף הנתונים:
הסקר הלאומי של פינלנד מבצע מיפוי אווירי אחת לשלוש שנים, בעוד שנתוני הליידאר נאספים אחת לשש שנים.
אי-סינכרון זה עלול להוביל לחוסר התאמה בין מערכי הנתונים, במיוחד כאשר נעשה שימוש בתמונות אורתופוטו ישנות יותר לצד נתוני ליידאר עדכניים.
דיוק באזורים עירוניים:
למרות היתרון של DSM מליידאר בסביבות מיוערות, באזורים עירוניים עם מבנים קטנים רבים או חומרים מחזירי אור על גגות, שילוב נתוני ליידאר עם דימות אווירי הוא הכרחי לקבלת תוצאות מיטביות.
מסקנות :
שילוב DSM מליידאר עם DEM ברזולוציה גבוהה מוביל לשיפור משמעותי בדיוק זיהוי המבנים, במיוחד בסביבות מיוערות.
מחקר זה מדגיש את היתרונות שבשימוש בשילוב של נתוני ליידאר ודימות אווירי, אשר מנצל את החוזקות של כל מקור מידע.
מחקרי המשך צריכים לחקור שילוב נתוני תלת-ממד מתקדמים, כדי לשפר את הדיוק באזורים עם צפיפות צמחייה גבוהה או מבנים מורכבים.
הממצאים תומכים בהרחבת תפקיד הליידאר בשיפור תהליכי החילוץ האוטומטיים מבוססי AI, ככל שיישומים אלה ממשיכים להתרחב לסביבות מגוונות יותר.
Comments