-->

تطبيقات الاستشعار عن بعد في استخدام الارض land use

تطبيقات الاستشعار عن بعد في استخدام الارض land use

    تطبيقات الاستشعار عن بعد في استخدام الارض land use 

    تطبيقات الاستشعار عن بعد في استخدام الارض land use
    نعلم من مبادئ الكارتوجرافيا أن الخرائط يمكن أن تصنف إلى نوعين: 
    1. خرائط طبوغرافية. 
    2. خرائط موضوعية (خرائط التوزيعات). 
    تتميز الخرائط الموضوعية بأنها تعالج موضوعا واحدا أو علاقة بين موضوعات ، وأشهر هذه الموضوعات في مجال الاستشعار " استخدام الأرض / غطاء الأرض ". 

    لم يستقر المتخصصون حتى اليوم على تحديد الفرق الدقيق بين مفهومي " استخدام الأرض Land Use / غطاء الأرض Land Cover ". 

    رغم أنهما أشهر مصطلحين متداولين في تطبيقات الاستشعار، ويكفى هنا أن نقول إن غطاء الأرض Land Cover :- هو ما تصوره المرئية، سواء أكان طبيعيا كالغابات والمساحات التي يغطيها الماء، أو كان بشريا كمراكز العمران وشبكة الطرق. استخدام الأرض Land use فلا بد أن يتضمن النية، فمثلا قد تصنف مساحة معينة في خريطة غطاء الأرض على أنها غابة ، لكنها في خريطة استخدتم الأرض ستوصف بالغرض من استخدامها، فتصنف مثلا على أنها مساحة تستغل في قطع الأخشاب ، أو أنها متنزه عام (استخدام سياحي وترفيهي)، أو أنها محمية طبيعية. 

    عكس ذلك صحيح أيضا: الاستخدام الواحد قد يشمل أكثر من صنف من الغطاء، فالمساحة المخصصة للاستخدام السياحي مثلا قد تكون حديقة (تصنف كنبات في خرائط الغطاء)، وقد تكون فندقا (يصنف كعمران في خرائط الغطاء). 

    إذا قرر مفسر بيانات الاستشعار أن يجمع بين الاستخدام والغطاء في خريطة واحدة، وهي المسماة خريطة استخدام الأرض / غطاء الأرض فعليه أن يوفر – بطريقته الخاصة – بيانات عن الاستخدام ، لأن الاستشعار لن يوفر له بيانا عن النية والغرض ، وإن كان التفسير البصري للمرئيات يكفل وبسرعة إمكانية التعرف على أنماط الاستخدام ، بمعلومية طريقة تقسيم القطع المزروعة مثلا، أو مداخن المصانع الكبرى.....إلخ. 

    طريقة الاحتمال الأقصى Maximum Likelihood Method:- 

    نعلم من مبادئ الاستشعار أن طريقة الاحتمال الأقصى أهم طرق التصنيف، وهي تفترض أن الإشارات الطيفية للصنف الواحد أو النمط الواحد تتبع التوزيع الطبيعي بمتوسط مجهول وتباين مجهول، ثم يحسب المتوسط والتباين من عينات تدريبية معروفة باستخدام تقدير الاحتمال الأقصى. 

    يعيب هذه الطريقة أن المساحات الحضرية متنوعة جدا طيفيا: فهي يمكن أن تشمل مباني ذات أسطح خرسانية أو مباني ذات أسطح خشبية أو طينية أو منشآت هياكلها معدنية ، وطرق مرصوفة وساحات انتظار مرصوفة، وطرق غير مرصوفة، وحدائق، وكل هذا يعني أن الناتج عن التصنيف يخالف فرض هذه الطريقة من أن لها توزيعا طبيعيا. 

    أهم طرق ومؤشرات لتمييز المساحة المبنية:- 

    1. مؤشر الفرق المعدل للمساحة المبنية Normalised Difference Built-Up Index (NDBI). 
    2. مؤشر المساحة المبنية المبني على المؤشرات Index-based Built-Up Index (IBI). 
    3. مؤشر الحضر Urban Index (UI). 

    ويعد المؤشر الأول هو الأهم والأشهر، ويستخدم فيه مجالان طيفيان:- 

    • أشعة تحت الحمراء القريبة NIR . 
    • أشعة تحت الحمرا المتوسطة MIR . 

    أشهر مؤشرات الأرض الجرداء:- 

    1. مؤشر الفرق المعدل للأرض الفضاء (NDBaI). 
    2. مؤشر التربة العارية (BI). 
    لتمييز المساحات المغطاة بالمياه الدائمة أو الموسمية طرق كثيرة جدا، أشهرها مؤشر الماء المعدل Normalized Water Index (NDWI) الذي يتخرج من المجالين الطيفين الأخضر وتحت الحمراء القريبة NIR. 

    إذا كانت كل المؤشرات السابقة غطاء الأرض ولا يمكن الخروج منها بتقديرات عن الإنتاج الاقتصادي فإن أشهر خرائط استخدام الأرض هي خرائط أنواع المحاصيل الزراعية ، التي لابد أن يتكامل لإنشائها كل من وسائل الاستشعار والوسائل الميدانية والمكتبية. 

    من هذه الخرائط أخذت أهم تطبيقات الاستشعار في مجال الزراعة وهي تقدير الإنتاج من المحاصيل المختلفة ، فمثلا في دراسة عن إنتاج الأرز في محافظة كفر الشيخ، حسب مؤشرا الغطاء النباتي ومساحة الأوراق من مرئيات سبوت spot ، ثم أجريت معايرة ميدانية في مركز البحوث الزراعية في سخا، ومن خلال التحليل الإحصائي (تحليل الانحدار الذي يحدد العلاقة بين المتغيرات) وضع نموذج للتنبؤ بحجم الإنتاج. 

    كانت الطريقة المتبعة طوال العقود الأخيرة لإنتاج خرائط استخدام الأرض وغطاء الأرض طريقة الاحتمال الأقصى، وكان أكثر التصنيف من النوع الموجه Supervised Classification، يليه في الأهمية غير الموجه، ويليهما شبه الموجه Semi-Supervised Classification. 

    وفي العقد الأخير فقط اتضحت فائدة الشبكات العصبونية في التصنيف، بل إن نتائجها فاقت أحيانا نتائج طرق التصنيف التقليدية، وتتفق الطرق التقليدية والشبكات العصبونية في فكرة خلايا التدريب Training Pixels، وهي خلايا تمثل نحو 1- 5 % من مساحة المرئية يقوم الباحث بتصنيفها بنفسه ويعرف البرنامج بذلك، ليقوم الأخير بعض الأساليب الإحصائية فيحدد من خلالها كيف سيصنف الخلايا التي لم يصنفها الباحث Testing Pixels. 

    أشهر خرائط استخدام الأرض الزراعي تلك الخريطة التي تنتجها بشكل سنوي شركة كندا للزراعة والصناعات الغذائية Agriculture and Agri-Food Canada ، وتنشرها بشكل تفاعلي على موقعها على الويب. 

    استخدام الشبكات العصبونية في تصنيف استخدام الأرض:- 

    الشبكات العصبونية الاصطناعية Artificial Neural Networks(ANNs) من أساليب الذكاء الاصطناعي تحاكي أداء الإنسان، فهي قادرة على:- 
    1. التعليم الذاتي من خلال الأمثلة المتعددة (مثلا لو غذى الحاسب الآلي بالعديد من صور القطط ثم عرضت عليه دفعة جديدة من الصور فإنه سيستطيع التعرف من تلقاء نفسه هل تحوي الصور الجديدة قططا أم لا). 
    2. الاستكمال Interpolation إذا كانت المعلومات غير مكتملة. 
    مثلما يتكون المخ من عصبونات (خلايا عصبية) Neurons تتكون الشبكات العصبونية الاصطناعية من عقد Nodes تسمى معالجات Processors، وتتصل هذه العقد فيما بينها بروابط ذات ترجيح Weighted Links. وتتكون العناصر الأساسية في الشبكات العصبونية من عدد من المدخلات ، قد تكون بيانات أصلية أو تكون مخرجات من خلايا عصبونية أخرى، وهذه المدخلات تربط بخلايا عصبونية عبر الروابط. ولكل خلية عصبونية دالة تنشيط Activation Function وظيفتها تحديد المخرجات من خلال صيغ رياضية، وقد تكون الروابط سالبة الترجيح بمعنى أن تأثيرها مثبط ، أو موجبة الترجيح عندما يكون تأثيرها محفزا. 

    هناك نمطان من تصميم الشبكات العصبونية:- 

    1. شبكات تمضي فيها المعالجات قدما Feed-Forward. 
    2. شبكات ترتد فيها المعاجات Recurrent. 
    تتضمن الأولى طبقات للمدخلات والمخرجات وبينهما طبقة واحدة خفية على الأقل يجري فيها استخلاص قواعد تحويل المدخلات إلى مخرجات، وتختلف الثانية عن الأولى في وجود حلقة تكرار Loop واحدة على الأقل للتغذية الراجعة بهف تحسين الأداء. 
    يمر التطبيق العملي لتصنيف استخدام الأرض / غطاء الأرض بأسلوب الشبكات العصبونية بأربع مراحل:- 
    1. معالجة المرئيات وتوحيد مواصفتها إذا كانت متباينة. 
    2. إعطاء معلمات للشبكة وتدريبها. 
    3. تصنيف المرئية. 
    4. تقويم دقة التصنيف. 

    عيوب الشبكات العصبونية:- 

    1. صعوبة تصميمها. 
    2. صعوبة إعطائها المعلمات Parameterization، لأن قيم المعلمات ذات مدى كبير. 
    المصدر:- 
    محاضرات د.مني سيد حسين "2020" ، شعبة نظم المعلومات الجغرافية والاستشعار عن بعد ، جامعة القاهرة.

    إرسال تعليق