Daha çox

Teras sahələri olan çılpaq torpaq DEM-dən səs-küy süzülür?

Teras sahələri olan çılpaq torpaq DEM-dən səs-küy süzülür?


Teraslı bir mənzərəni təmsil edən LiDAR məlumatlarından əldə edilən 1 metrlik çılpaq torpaq DEM-ə sahibəm. DEM-in hər hansı bir sonrakı istifadəsi naminə (məsələn, ən az xərcli yol, xərc səthinin təhlili və sair) mümkün olanları vurğulamaq üçün DEM-in "bulanmasının" sağlam olub-olmadığını düşünürəm " səs -küy 'teras sahələri tərəfindən istehsal olunur (məsələn, teras divarları səbəbiylə yamac dəyərlərində kəskin dəyişikliklər). Cavab bəli, hansı yanaşma daha yaxşıdır: aşağı keçid filtri kimi bir şey (mən onu tanımıram və ArcGIS 10.1-də necə həyata keçirilə bilər) və ya LiDAR məlumatlarına qayıtmalı və daha böyük bir hüceyrə ölçüsü ilə sıfırdan çılpaq torpaq DEM?


1m qətnamənin sualınızı cavablandırmaq üçün uyğun bir miqyaslı olub olmadığı maraqla qarşılanacaq. Böyük hər zaman daha yaxşı deyil.

Ölçək çox incədirsə və arzuolunmaz detallar yığırsa, hansı ölçünün sualınızı dəstəklədiyini anlamaq və buna uyğun olaraq ümumiləşdirmək ağlabatan bir yanaşma olardı. Bu, yenidən nümunə götürmə yolu ilə, ikiqat və ya kubik bir konvulsiya yanaşması ilə edilə bilər.


UAS ilə lav axını təhlükəsinin proqnozlaşdırılması və monitorinqi: 2014–2015 -ci illər Paoha lav axını böhranından bir nümunə araşdırması, Havay

Lav axını yolunun davranışını dəqiq proqnozlaşdırmaq, aktiv böhran idarəetmə əməliyyatları üçün çox vacibdir. Paehoe axınlarının irəliləməsi və yerdəyişməsi əvvəlcədən mövcud olan topoqrafiyanı dəyişdirir və tərsinə çevirir, bu da axın yollarını proqnozlaşdırmaq üçün istifadə olunan topoqrafik modellərin sürətli və dəqiq yeniləməsinə ehtiyac yaradır. Pahoe axınlarının təkamülü və sürəti makro və mikro topoqrafiyadan, enmə yolunun yamacından, efüzyon sürətindən və reologiyadan asılıdır. Havay adasında 2014–2015-ci illər Paoha böhranı zamanı, yavaş-yavaş irəliləyən pahoehoe lava axınının aktiv cəbhəsini tez və dəfələrlə görüntüləmək üçün aşağı yüksəklikdəki pilotsuz uçuş sistemindən (UAS) istifadə etdik. Bu görüntü 1 m qətnamə ilə çılpaq yer rəqəmsal yüksəklik modelləri (DEMs) və tədqiqat sahəsindəki ən dik enişli yollar yaratmaq üçün istifadə edilmişdir. UAS-dan əldə edilən bu modellərin məkan həlli və vaxtında olması menecerlər tərəfindən böhran dövründə istifadə olunan mövcud topoqrafik məlumatların təkmilləşdirilməsidir. Addım -addım yenidən nümunə götürmə təcrübəsindən əldə edilən nəticələr, ovalıq tropik meşə mühitindən dəqiq pāhoehoe axın yolları yaratmaq üçün optimal DEM həllinin 1 ilə 3 m arasında olduğunu göstərir. Yenilənmiş modellərimiz göstərir ki, bu sahədəki gələcək axınlar, ehtimal ki, 2014–2015 -ci illərin orijinal lava axınından birbaşa təsirlənməyən camaatı təhdid edən bu yeni yerləşdirilmiş axınlardan yayınacaq. Dinamik vulkanik böhran zamanı UAS -ın yerləşdirilməsinin dəyərini nümayiş etdiririk və bu texnologiyanın Kīlauea və dünyanın digər aktiv vulkanları üçün kritik monitorinq boşluqlarını doldura biləcəyini təklif edirik.


METODLAR məqaləsi

  • 1 Geoloji Elmlər Bölümü, California State Polytechnic University, Pomona, CA, Amerika Birləşmiş Ştatları
  • 2 Remote Sensing Solutions, Barnstable, MA, Amerika Birləşmiş Ştatları
  • 3 Coğrafiya Elmləri Məktəbi, Bristol Universiteti, Bristol, Birləşmiş Krallıq

Daşqın hadisələrinin artan tezliyi və şiddəti, bu fəlakətlərin ictimai və iqtisadi nəticələrini daha yaxşı yumşaltmaq üçün hidrodinamik modellərin dəqiqliyini artırmağı tələb edir. İdeal olaraq, bu modellər yüksək dəqiqlikli hidrodinamik modelləşdirmə üçün vacib olan yüksəklik və mikrotopoqrafiya və#x2013 elementlərindəki incə varyasyonları tutan yüksək dəqiqlikli LiDAR-dan yüksəklik məlumatları əldə edir. Əksər hallarda satınalma xərcləri səbəbiylə, bu məlumatlar geniş miqyaslı ərazilər, yəni daşqın sahilləri və sahil bölgələri üçün, xüsusilə də ABŞ və Qərbi Avropanın xaricində, daşqınlara meylli icmaların artıq olduğu yüksək məkan qətnamələrində geniş yayılmamışdır. bu fəlakətləri idarə etmək üçün infrastruktur və resurslar yoxdur. Yüksək qətnaməli interferometrik sintetik diyaframlı radar (InSAR) sistemləri, müqayisə edilə bilən məkan qətnamələri və şaquli dəqiqliyi ilə LiDAR-a uyğun və qənaətcil bir alternativ təklif edə bilər. Hər hansı bir sürüşmə sensoru kimi, kalibrləmə biliklərindəki sistematik səhvlər, şaquli olaraq baxdıqda qolu artırdıqca artır. InSAR-dan əldə edilən rəqəmsal yüksəklik modelləri (DEMs) tez-tez LiDAR və ya yerdən idarəetmə nöqtələri istifadə edərək düzəldilir, baxmayaraq ki, bu məlumatların mövcud olduğu ərazilərdə InSAR tətbiqini məhdudlaşdırır. Bu yazıda, eyni havadan əldə etmək üçün bitişik, üst-üstə düşən yamaclarda yayılan sistematik qərəzləri düzəltmək üçün yaxın məsafəli InSAR məlumatlarından istifadə etmək üçün yeni bir yanaşma təqdim edirik. Bu, 30 m məkan qətnaməsində LiDAR -a nisbətən təxminən 0,26 m şaquli bir səhv saxlayarkən InSAR DEM -lərin yaradılmasında LiDAR ehtiyacını aradan qaldırır. Məlumat, NASA/JPL havadan, tək keçidli, Ka-bantlı GLISTIN-A (Buzlaq və Buz Səthi Topoqrafiyası İnterferometri) Qırmızı Çay Hövzəsi (RRB), ND üzərindən alındı. Son DEM-in dəqiqliyi Milli Geodeziya Araşdırması (NGS) GPS və yüksək qətnamə LiDAR DEM istifadə edərək qiymətləndirilir.


Fəza həlli, interpolasiya və filtrasiya alqoritmlərinin geomorfometrik tədqiqatlar üçün DEM dəqiqliyinə təsiri: Sahel-Doukkala, Mərakeşdən bir nümunə araşdırması

İndiki vaxtda, rəqəmsal yüksəklik modelləri (DEMs), sadə məlumat quruluşu və geniş yayılmış mövcudluğu ilə, Yer səthini təmsil etmək üçün əsas mənbə oldu və hər hansı bir coğrafi analizin, xüsusən də geomorfometrik tədqiqatın ayrılmaz bir hissəsi oldu. Kosmosda çəkilən fotogrametriya, xüsusilə böyük və/və ya əlçatmaz ərazilərdə yüksək qətnamə yüksəklik məlumatları əldə etmək üçün əhəmiyyətli bir üsul olaraq qalır. Bununla birlikdə, fotogrametrik DEM kimi uzaqdan algılamaya əsaslanan vasitələr vasitəsi ilə birbaşa əldə edilən DEM -lər ciddi bir qeyri -müəyyənliyə meyllidir. Bu araşdırmanın məqsədi, yüksək qətnaməli Spaceborne fotogrammetrik DEM nəsil və Sahel-Doukkala kimi nisbətən aşağı relyefli bölgələr üzərində geomorfometrik tədqiqatlar üçün genişləndirmə haqqında nisbətən hərtərəfli bir anlayış təmin etməkdir. Bu cür təhlili aparmaq üçün, əksər GIS proqram paketlərində mövcud olan və geomorfoloji tədqiqatlarda, məsələn, ANUDEM, IDW, OK, MQ və TPS -də istifadə olunan ümumilikdə beş interpolasiya alqoritmi seçilmiş və fərqli məkan həlli baxımından müqayisə edilmişdir. 5 m, 10 m, 20 m və 30 m. Bundan əlavə, səhvlərin aradan qaldırılması və modelləşdirilmiş topoqrafik səthin yaxşılaşdırılması üçün optimal strategiya tapmaq üçün DEM filtrasiya alqoritmlərinin tətbiq olunan səhvlərə təsiri araşdırıldı. ANUDEM alqoritminin digər alqoritmlərlə müqayisədə dəqiqliyi və modelləşdirilmiş səthin təbii görünüşü baxımından yaxşı işlədiyi ortaya çıxdı. Bundan əlavə, araşdırmalar göstərir ki, 10 m məkan qətnaməsi səhvlərin azaldılması ilə topoqrafik detalların saxlanılması arasında qənaətbəxş bir uzlaşma olduğunu göstərir. Bundan əlavə, Gauss filtri, median filtr və yamac əsaslı filtr olan üç rəqəmsal filtrin birləşməsi, müxtəlif səhv mənbələrini azalda və DEM -in yüksəklik dəqiqliyini 5% artıraraq geomorfometrik parametrlər qədər inkişaf etdirdi.

Bu, abunə məzmununun, müəssisəniz vasitəsi ilə girişin bir ön görünüşüdür.


ANALİTİK ARAÇLAR

TerraceM, fərqli geomorfik ssenarilərdə sahil bucağını təyin etmək üçün fərqli üsullardan istifadə edən dörd funksiyanı ehtiva edir. Bu funksiyalar iş axınının 5 -ci addımına daxil edilmişdir (Şəkil 4).

Pilləkən Dəniz Terasları

Şaquli bir transekt boyunca çoxlu dəniz terrasları, Lajoie (1986) tərəfindən təyin edilmiş sahil bucağı anlayışına əsaslanan Pilləkən funksiyasından istifadə edərək təhlil edilir (bax: "Fon və Motivasiya" bölməsi). Bu, yaxşı qorunmuş paleoplatform və paleoklif morfologiyaları ilə işləyərkən xüsusilə faydalıdır (məsələn, Şəkil 5A və 7A). Sahil bucağının təyin edilməsi, topoqrafik sürüşmə profillərindən əldə edilən maksimum və ya minimum topoqrafik paylanmanın köməyi ilə həyata keçirilə bilər. Topoqrafik sürüşmə profillərində yüksəklik payının maksimum olması, kəsik əvvəli topoqrafiyanın deşifr edilməsinə imkan verir, lakin maksimum topoqrafiya təpələrə dırmaşmaqla yerli olaraq qərəzli ola bilər. Bu xüsusi vəziyyətdə, minimum paleoplatform səthinin maksimum qiymətləndirilməsini əks etdirən kumul sahəsinin əsasını təcrid etmək üçün istifadə edilə bilər ("Arxa plan və motivasiya" bölməsinə baxın). Merdiven morfolojisi olan və təpələr ilə örtülmüş terrasların təhlili nümunələri, Jara-Muñoz et al. (2015).

Merdiven funksiyası, topoqrafik sürüşmə profillərinin üstünə birbaşa vuraraq sahil xətti bucağını hesablayaraq sahə profillərini interaktiv şəkildə təhlil etmək üçün hazırlanmışdır (Şəkil 5A). Profilin ən dik hissəsi boyunca istifadəçi tərəfindən təyin olunan iki nöqtə paleokliffi təyin edir və iki əlavə nöqtə paleoplatformun dərəcəsini müəyyən edir (Şəkil 7B). Daha sonra xəttin geriləmələri profildəki qapalı seqmentlər üzrə hesablanır və sahil xətti açısının mövqeyini göstərən kəsişməni tapmaq üçün ekstrapolyasiya edilir. Sahil bucaqlarının şaquli xətaları xətti geriləmələrdə 2σ aralığının ekstrapolyasiyasına əsaslanır (Şəkil 7B).

Kobud sahillərdə dəniz yığınları

Dəniz Yığını Analizi funksiyası, kobud, qayalı sahillər boyunca sahil bucağı yüksəkliklərinin təhlil edilməsinə imkan verir. Dəniz yığınları və kötüklər, uçurum əsasının aşınması və parçalanması nəticəsində geri çəkilən sahilin bir hissəsinin təcrid olunduğu yerlərdə əmələ gəlir (Quş və Quş, 2000 Trenhaile və digərləri, 1998) bu xüsusiyyətlər uçurumdan ayrılaraq təcrid olunmuş uclar əmələ gətirir (Şəkil 8A və 8B), qismən aşınmış teras səviyyələrinin parçalarını təmsil edən sütunlar, yığın qövslər və mağaralar (Bishop, 1985 Gesch və digərləri, 2002 Saillard və digərləri, 2011).

Sürüşmə profillərinin maksimum hündürlüyü yığın morfologiyasını və dağılmış terras platformasını ayıran zirvələrin yerini vurğulayır (Şəkil 8A). Bir pik aşkarlama alqoritmi (Billauer, 2008) istifadə edərək, fərdi yığın mövqeləri və onların maksimum yüksəklikləri profil boyunca çıxarılır (Şəkil 8C). Zirvələr siniflərdə qruplaşdırılır və platformanın paleotopoqrafiyasını yenidən qurmaq üçün xətti olaraq interpolasiya edilir. İstifadəçi hər bir aralığın damını və ya yuxarı həddini interaktiv olaraq təyin edir və sonra zirvələrin xətti reqressiyası sahil bucağının yüksəlməsini və əlaqəli 2σ səhvini tapmaq üçün uçuruma doğru geriyə doğru ekstrapolyasiya edilir (Şəkil 8C). Sahil xətti açılarının məkan baxımından ardıcıl paylanmaları bu üsulla Çilinin mərkəzində qismən xarab olmuş MIS 5e terrası üçün hesablanmışdır (Şəkil 8A Gesch və digərləri, 2002).

Scarp yayılması

Terasa bitişik bir paleoklifin geomorfik yaşı (Kt) xətti diffuziya tənliyindən qiymətləndirilə bilər (Hanks və s., 1984 Eq. 3 buradakı “Arxa plan və motivasiya” bölməsinə baxın). Scarp Diffusion funksiyasının ilk addımı, yuxarı yamacın qırılması, paleoplatformun genişliyi və profil mərkəzi ilə təyin olunan təkrarlama aralığını və profilin həndəsəsini təyin edərək modelin müvəqqəti həllini təyin etməkdir. (Şəkil 9). Nəhayət, uçurumun hündürlüyü (2a) və uzaq sahə yamacı (fs) uçurumun geomorfik yaşını əldə edərək kök orta kvadrat səhvini minimuma endirməklə ən uyğun model seçilən parametrlərdən hesablanır (Şəkil 9).

Cliff Pulsuz Üz

Cliff Free-Face funksiyası, sahil xətti bucağını tapmaq üçün kolluvial pazın altından bir paleokliffin yamacını ekstrapolyasiya etmək üçün müasir uçurumların yamac paylamasını giriş açısı olaraq yerləşdirməklə sahil xətti bucağının yerləşməsinə imkan verir (Şəkil 10). Sərbəst üz anlayışı, bu araşdırmada dalğa kəsici yara xüsusiyyətlərinə qədər uzadığımız kolluviumun üstündəki fay yarıqlarının açıq hissəsinə (məsələn, McCalpin, 2009) aiddir. Bu analiz, yüksəklikləri məhdud olan açıq uçurumların altında yaxşı müəyyən edilmiş kolluvial pazlar olan terraslar üçün və ya dayanıqlı ana qayaya oyulmuş və ya kolluviumun yuxarı hissəsində işarələnmiş keçidləri olan hamar paleoklifflər üçün tövsiyə olunur. Bu üsul, aşağı yayılma nisbətlərinin sərbəst üzün morfologiyasını daha uzun müddət qorumaq üçün əlverişli olduğu, beton və ya sahil qayası ilə örtülmüş terraslar üçün də tövsiyə olunur.

Cliff Free-Face funksiyası Merdiven funksiyasına bənzəyir. Bununla birlikdə, bu vəziyyətdə uçurumun yamacı xətti reqressiya ilə qiymətləndirilmir, ancaq istifadəçi tərəfindən təyin edilir və paleoklifdəki tək bir nöqtəni qrafik olaraq seçərək daxil edilir. Bu nöqtə sərbəst üzün aşağı həddində və ya kolluviumla təməl qoyulmuş ana süxur arasındakı təmasda təyin olunmalıdır (Şəkil 10D). Paleoplatformu əhatə edən iki əlavə nöqtə, sahil xətti bucağını və onunla əlaqəli 2σ səhvini tapmaq üçün yamacın kənarında müəyyən edilir.

Bu metodun bir nümunəsini Çilinin cənub-mərkəzindəki müasir uçurumların və ortaya çıxan terrasların təhlili ilə Pelluhue'de təqdim edirik, burada 107 Holosen uçurumunun yamacını qiymətləndirdik və basdırılmış sahil xəttinin yüksəkliyini əldə etmək üçün orta dəyər və standart sapmanı giriş olaraq istifadə etdik. yaranan terras səviyyələrinin açıları (Şəkil 10). Pelluhue-də, ana süxur homojen paylanmış şistdən ibarətdir, lakin dəyişkən ana süxur litologiyalarında hər litoloji vahid üçün uçurum yamacının paylanmasını təxmin etməyi məsləhət görürük.


Tanzaniyanın şimalında, Manyara Gölü sahilində kanalizasiya sistemi təhlili üçün sadə bir DEM qiymətləndirmə proseduru

Gully eroziyası, Tanzaniyanın şimal vadisi boyunca geniş ərazilərdə landşaftların pozulması ilə bağlı əsas təhlükədir. Çay şəbəkəsinə təsirli bir şəkildə daxil olan çöküntülərin böyük hissəsini istehsal edən dominant eroziya prosesidir. Tədqiqat sahəsi Manyara Gölü -Tanzaniyanın şimalındakı Arusha, Makuyuni çayı sahilində yerləşir. Sahə işləri zamanı Makuyuni qəsəbəsinə yaxın olan səkkiz kanal sisteminin topoqrafik məlumatlarını ölçdük. Bu işin əsas istiqaməti, sırasıyla 30 və 20 m orijinal qətnamələri olan təkmilləşdirilmiş DEM -lərdən istifadə edərək, çuxur eroziyası dinamikasını qiymətləndirməkdir. Ətraf mühitin xüsusiyyətləri haqqında məlumat əldə etmək üçün ərazi xüsusiyyətlərini qiymətləndirdik. DEM -i təkmilləşdirmək üçün peyk şəkillərindən əldə edilən məlumatları və GPS sahə məlumatlarını birləşdirdik. Stream Power Index və ya Transport Capacity Index kimi topoqrafik indekslər yenidən interpolasiya edilmiş DEM-dən əldə edilmişdir. Çuxurun təkamülünü qiymətləndirmək üçün uzunlamasına yamac profillərini də qiymətləndirdik. Nəhayət, hər bir gəminin yarğan təkamül mərhələləri Kosov və digərlərinin təklif etdiyi konsepsiyaya görə təsnif edilmişdir. (Eksperimental’naya geomorfologiya, cild 3. Moskva Universiteti, Moskva, s. 113-140, 1978). Yenidən interpolyasiya edilmiş DEM-lər, xüsusilə daha inkişaf etmiş çuxurlar üçün müsbət bir reaksiya ortaya qoydu. Göstəririk ki, "aşağı qətnamə" məlumatlarına əsaslanaraq bu məkan prosesi miqyasında məlumatların çıxarılması, çox az sahə işi və görüntü təfsiri ilə mümkündür. Əslində, çuxur eroziyası riskinin daha yüksək olduğu müəyyən edilmiş sahələr, sahədə aparılan müşahidələr və tədqiqatlarla təsdiq edilmişdir.

Bu, abunə məzmununun, müəssisəniz vasitəsi ilə girişin bir ön görünüşüdür.


Teras sahələri olan çılpaq torpaq DEM-dən səs-küy süzülür? - Coğrafi İnformasiya Sistemləri

Forest Watershed Araşdırma Mərkəzi, New Brunswick Universiteti, Fredericton, Kanada

Müəlliflər və Scientific Research Publishing Inc.

Bu iş Creative Commons Attribution International License (CC BY 4.0) altında lisenziyalaşdırılmışdır.

Alındı: 28 İyul 2017 Qəbul olundu: 15 Sentyabr 2017 Yayımlandı: 18 Sentyabr 2017

Rəqəmsal yüksəlişin dəqiqliyinin artırılması, məsələn, axın istiqaməti, hövzə sərhədləri, kanal şəbəkələri, çökəkliklər, daşqın proqnozu və torpağın drenajı ilə əlaqəli hidrotopoqrafik törəmə səhvlərini azaltmaq üçün vacibdir. Bu məqalə, rəqəmsal yüksəklik modeli (DEM) qaynaşması və uyğunluq testi və təsdiqlənməsi üçün LiDAR-dan əldə edilən yüksəklik qatlarından istifadə edərək bu dəqiqlik qazancının necə artırıldığını nümayiş etdirir. Bu nümayiş, New Brunswick əyaləti üçün (NB, Kanada), əyalət miqyasında beş DEM mənbəyi (SRTM 90 m SRTM 30 m ASTER 30 m CDED 22 m NB-DEM 10 m) və bələdçi olan beş mərhələli bir prosesdən istifadə etməklə edilir. bu DEM-lərin yenidən proyeksiyası, kalibrləmə və doğrulama yolu ilə LiDAR tərəfindən tutulan çılpaq torpaq DEM-lərinə nisbətən yüksəklik fərqlərini minimuma endirir. Bu səy nəticəsində ortaya çıxan LiDAR olmayan LiDAR yüksəliş fərqlərini iki qat azaldıb, LiDAR olmayan və LiDAR qaynaqlı axın kanalları arasındakı minimum məsafə uyğunluğunu 10-dan 8,5 dəfə & plusmn 10 m-ə endirdi. LiDAR nəm sahə faizi 59% -dən 49% -ə qədər, yalan mənfəət isə 14% -dən 7% -ə qədərdir. Bu azalmalar təvazökar olsa da, bunlar nəinki axın və nəmli sahələr haqqında məlumat verən mövcud hidroqrafik məlumat təbəqələri ilə uyğun gəlməklə kifayətlənmir, həm də əvvəllər xəritələnməmiş axın kanallarını və nəmli sahələri hərtərəfli yerləşdirərək bu məlumat qatlarını əyalət daxilində genişləndirir.

DEM Fusion, LiDAR-a əsaslanan Kalibrləmə, Hidroqrafik Şərhlər, Axın Şəbəkəsi, Yaş Bölgələr Xəritəçəkmə

Məkan modelləşdirmə texnologiyası və tətbiqləri olaraq Yer səthini təmsil edən yüksək qətnamə məlumat dəstlərinə artan tələbat var. Bu məlumat dəstləri arasında rəqəmsal yüksəklik modelləri (DEMs), yəni həm yerli, həm də qlobal miqyasda landşaftlar arasında davamlı yüksəklik dəyişikliyini təmsil edən qarmaqlı məlumat dəstləri var [1] [2]. Öz növbəsində, DEM -lər topoqrafik, geomorfoloji və hidroloji xüsusiyyətlərin (məsələn, yamaclar, torpaq eroziyası, hövzə sərhədləri, axın və çay şəbəkələri və axın axıdılması) məkan görüntüsü və modelləşdirilməsi üçün istifadə olunur [3] [4] [5] [6 ]. Bu baxımdan, DEM yüksəklik dəqiqliyi və qətnamələri, hündürlük tutma, işləmə, nöqtədən-nöqtəyə interpolyasiya və tutma vaxtı fərqlərinə əsasən dəyişir [7] [8] [9] [10] [11]. Deməli, DEM ilə müəyyən edilmiş hövzə sərhədləri və axın kanalları kimi yamac və hidroloji DEM təfsirləri əhəmiyyətli dərəcədə fərqlənə bilər [12] [13] [14].

Alınma və mövcudluq baxımından fərqli mənşəli DEM -lər sərbəst şəkildə əldə edilə bilər [8] [10] [15] - [23]. Bunlardan bəziləri Cədvəl 1 -də verilmişdir [19] [20] [21] [22] [23], yəni Servis Radar Topoqrafiyası Missiyası (SRTM90 və SRTM30 DEMs) və Qabaqcıl Kosmosdan İstilik Emissiyası və Yansıma Radiometrində (ASTER DEM) . Bunlar peykdən alınan və qlobaldır. Ayrıca siyahıya alınanlar: Kanada üçün milli olaraq mövcud olan DEM, yəni Kanada Rəqəmsal Yüksəklik Modeli (CDED, yüksəklik konturlarından və spot yüksəkliklərdən yaradılmışdır) və əyalət nümunəsi, məsələn, stereo- fotoqrammetriya. Havadan ötürülən lazer-işıq taraması və nəbz geri dönüş təsnifatı vasitəsi ilə nöqtə bulud məlumatlarından yaradılan İşıq Algılama və Aralıq (LiDAR) DEMləri də getdikcə daha çox mövcuddur [24].

LiDAR və digər DEM -lər arasındakı yüksəklik fərqləri (burada deyilir

Cədvəl 1. Bu işdə istifadə olunan açıq mənbəli DEM və LiDAR-DEM-lərə ümumi baxış. Əhatə dairəsində, qətnamədə və şaquli səhvdəki dəyişikliklərə diqqət yetirin.

LiDAR olmayan DEM) metodologiyaya, dəqiqliyə və qətnaməyə görə dəyişir [21] [24] [25] [26] [27]. SRTM30 və STRM90 kimi LiDAR olmayan DEM-lər səth əksinə əsaslanır, ASTER, CDED, NB-DEM isə çılpaq yer yüksəkliklərini təmsil edir. Bu baxımdan birincisi Rəqəmsal Səthi Modellərə (DSM), ikincisi Rəqəmsal Yüksəklik Modellərinə (DEM) istinad edir. Hər ikisi Rəqəmsal Arazi Modellərinin (DTM) alt qruplarıdır [5]. LIDAR nöqtəli bulud məlumatları, ilk və son lazer nəbzinin qaytarılması arasındakı yüksəliş fərqlərini təyin etməklə DSM -lərin və DEM -lərin yaradılmasında istifadə edilə bilər, ümumiyyətlə şaquli dəqiqliklə 0.15 m [24].

Bütün DEM-lər, məsələn, axın istiqamətləri, axın yığımı, axın kanalları şəbəkələri, yuxarı hövzə sahələri və sərhədləri, çökəkliklərin yeri və daşqınlara məruz qalan ərazilərin və yoxsul torpaqlara aid olan hidro-topoqrafik şərhlər yaratmaq üçün istifadə edilə bilər. drenaj. Ancaq bu şərhlər DEM dəqiqliyindən təsirlənir [28] - [34]. Məsələn, yollar arasındakı axın kanallarının kəsişməyən kəsişmələrini təyin etmək üçün 10-20 m-lik DEM-lərə üstünlük verilir, lakin xüsusilə sahil xətləri, yol kəsikləri və dərin kəsilmiş axın vadiləri boyunca yamacın dikliyini qiymətləndirməyə səbəb olur. Yüksək qətnaməli LiDAR DEM-lər, hər iki məqsədə xidmət edə bilər ki, bu da yolların kanal axını potensial olaraq maneə törətdiyi və buna görə də pozulmalı olduğu yerləri və ya axın kanallarını təxminən birləşdirmək üçün DEM-lərin daha iri qətnamələrə yenidən nümunə götürülməsini təyin etmək üçün ən yüksək qətnamə ilə istifadə edilə bilər. maneələri aşmadan. Bunun əksinə olaraq, fotoqrammetrik olaraq əldə edilən LiDAR olmayan DEM-lərin təkrari interpolasiya yolu ilə həllini artırmaq cəhdləri daha çox məlumat yaratmır, əksinə "silsilə" kimi DEM artefaktlarını təqdim edir [35].

Füzyon yolu ilə şaquli və yanal DEM səhvlərini azaltmaq üçün bir neçə yanaşma mövcuddur. Bunlara DEM yenidən proyeksiyası, yenidən nümunə götürmə, yenidən interpolasiya, birləşmə və hidroloji icra daxildir (məsələn, [36] [37] [38] [39] [40]). Məsələn, Kalay Təsadüfi Densifikasiya [22] və/və ya məkan süzgəci [41] [42] vasitəsi ilə DEM redaktəsi ilə "sürüşmə" dərəcəsi azaldıla bilər. Luedeling və başqaları. [43], SRTM boşluqlarını ASTER məlumatları ilə doldurmaq üçün DEM doldurma texnikası tətbiq etmişdir. DEM səhvlərinin azaldılması məqsədi ilə DEM-lərin birləşdirilməsi [39] tərəfindən nəzərdən keçirildi. DEM birləşməsindən başqa, DEM-ə əsaslanan axın istiqaməti və axın toplama alqoritmlərini artıq müəyyən edilmiş axınlara, çaylara, göllərə və sahil xətlərinə doğru istiqamətləndirmək üçün hidroloji məcburiyyət ([44] [45] [46] [47] lazımdır. Bu məcburiyyət, (i) bütün axın və açıq suya istinad edilən piksellərin ən aşağı məhəllə yüksəkliklərinə endirilməsi və (ii) bütün axınların və çayların monoton şəkildə ən yaxın sahillərə doğru enməsini təmin etməklə həyata keçirilir. Bu tətbiq ümumiyyətlə LiDAR olmayan DEM-lər üçün tətbiq olunur, lakin göllər, çaylar və sahillər kimi açıq su səthlərindən aşağı lazer nəbzinin geri gəlməsi səbəbindən artefaktları çıxarmaq üçün yüksək qətnamə LiDAR-DEM-lər üçün də hidrotopoqrafik düzəlişlərə ehtiyac var.

Bu yazının məqsədi, 10 m qətnamədə LIDAR olmayan DEM birləşməsi yolu ilə yüksəklik fərqlərində LiDAR-LiDAR-dan sistematik şəkildə azalmanın DEM-in yaratdığı hidroloji şərh təkmilləşdirmələrinə necə gətirib çıxardığını göstərməkdir. Bu bir nümunə araşdırma olaraq New Brunswick əyaləti üçün hərtərəfli edildi. DEM əsaslı şərh təkmilləşdirmələrinin dərəcəsi aşağıda təhlil edilir:

2) DEM-ə istinad olaraq çılpaq 1m LiDAR yüksəklik məlumatlarından istifadə

3) LiDAR-dan qaynaqlanan axın kanallarına qarşı LiDAR-ın ən yaxın məsafəli uyğunluq testi

4) hər bir DEM üçün DEM-dən alınan kartoqrafik dərinlik-su indeksləri (DTW [32]) daxilində saxta pozitiv və yalan neqativlərin qiymətləndirilməsi.

Şərqi Kanadada yerləşən və 7,282,014 hektar ərazini əhatə edən New Brunswick əyaləti, bir çox müxtəlif geomorfologiyanı və quru formasını əhatə edir və əyalət boyu LiDAR olmayan DEM və Service New Brunswick-in GeoNB məlumat kataloqundan və LiDAR-dan əldə edilə bilən hidroqrafik şəbəkə örtüklərinə malikdir. əyalətin bir hissəsi üçün örtüklər (Şəkil 1, Cədvəl 1). SRTM və ASTER DEMs, Amerika Birləşmiş Ştatları Geoloji Araşdırma Şöbəsinin Earth Explorer tətbiqi vasitəsi ilə əldə edilmişdir. CDED məlumatları Kanadanın Təbii Ehtiyatlarından əldə edilmişdir. Yarı avtomatik ArcGIS 10.1 beş mərhələli proses (Şəkil 2) aşağıdakı kimi hazırlanmışdır:

11%) 5 mərhələli bir proseslə bütün New Brunswick-də LiDAR olmayan DEM-ləri yaxşılaşdırmaq üçün istifadə edilmişdir. Həm də göstərilir: New Brunswick üçün ən son LiDAR-DEM alışı, optimallaşdırma və proses doğrulaması üçün LiDAR əhatə dairəsi və hər LiDAR olmayan DEM ilə əlaqəli yüksəklik fərqlərini təmsil etmək üçün istifadə olunan tarama xətti (yaşıl). Fon: təpə gölgeli NB-DEM. LiDAR-DEM mənbəyi: http://www.snb.ca/geonb1/e/DC/DTM.asp.

Şəkil 2. Məkan istinad və həllini birləşdirmək və çılpaq yer yüksəkliyində LiDAR olmayan LiDAR yüksəklik fərqlərini azaltmaq məqsədi ilə hazırlanmış 5 mərhələli bir iş axını. Hər mərhələ üçün üstünlük verilən texnika qırmızı rənglə vurğulanmışdır.

Mərhələ 1. Məkan istinad və həlli baxımından LiDAR olmayan DEMlər arasında homojenlik yenidən proyeksiya yolu ilə təmin edildi. Yüklənmiş bütün açıq qaynaqlı DEM plitələri, üç hüceyrə ölçüsü (10 m, standart, 90 m) üçün üç yolla (bilinear, kub, ən yaxın) sorunsuz örtüklərə birləşdirildi və yenidən proyeksiya edildi (CSRS NAD 1983 New Brunswick Stereographic).

Mərhələ 2. 8, 10, 12, 14, 16, 18, 20 m hüceyrə ölçülərində yenidən nümunələnmiş Mərhələ 1 məlumat qatları təsadüfi olaraq hər bir təbəqə üçün (n = 86,915) olan bir nöqtə şəkli faylını yaratmaq üçün nümunə götürülmüşdür.

Mərhələ 3. Mərhələ 2 şəkil faylının nöqtələri üç hüceyrə ölçüsü (5, 10, 20 m) istifadə edərək üç interpolasiya üsulu (Tərs Məsafə Ağırlığı, Kriging, Ən Yaxın Qonşu) istifadə edərək yenidən interpolyasiya edildi.

Mərhələ 4. LiDAR-dan LiDAR-a ən yaxşı uyğunlaşma vasitəsi ilə yaradıldı

1) 3-cü Mərhələ yaradılan məlumat qatlarından hansının LiDAR-dan LiDAR-a qədər ən az fərqləndiyini müəyyən etmək, bu məqsədlə DEM mənbəyi ilə (əsas statistika və qutu sahə müqayisəsi ilə aparılır), çılpaq torpaq LiDAR-DEM, sonuncu ilk olaraq 1 m interpolasiya edilmiş geri dönüş nöqtələri, 10 m qətnamədə yenidən nümunə götürüldü

2) NB-DEM birləşmə prosesi üçün ən yaxşı Stage-3 LiDAR olmayan DEM-lərin hansı birləşməsinin və ağırlığının istifadə olunacağını təyin etmək

3) müstəqil LiDAR-DEM proqnozlaşdırıcı dəyişənlər kimi əridilmiş NB-DEM təbəqəsi daxil olmaqla ən yaxşı yüksəklikdə DEM-təbəqələri yaradan xətti reqressiya təhlili ilə ən yaxşı təchiz edilmiş LiDAR olmayan birləşməni əldə etmək. Bu analiz, LiDAR əhatə dairələri daxilində, LiDAR olmayan DEM-lər arasında, hər bir qat üçün 7255 bal verərək, 1 km 2-də 1 nöqtədə sistematik olaraq seçilərək aparılmışdır. Reqressiya analizinin nəticələrinə ən yaxşı uyğunlaşdırılmış əmsallar, onların standart qiymətləndirmə xətası, Tələbənin t-dəyəri (= ən yaxşı uyğunlaşdırılmış reqressiya əmsalının qiymətləndirilməsi/qiymətləndirmənin dayanma xətası) və Qiyməti (= ən yaxşı uyğunlaşma ehtimalı ehtiva olunur) əmsalı sıfırdan əhəmiyyətli dərəcədə fərqlənir).

Mərhələ 5. Ən yaxşı uyğunlaşdırılmış reqressiya nəticəsi ("NBDEM-Optimizləşdirilmiş" olaraq adlandırılır) əyalət miqyasında tətbiq edilmişdir. Bununla əyalət boyunca axın kanalı və əlaqəli kartoqrafik DTW məlumat dəstləri əldə edildi [32]. Bu şəkildə istehsal olunan nəticələr, yeni əldə edilmiş LiDAR əhatə dairəsi daxilində 40 ilə 40 km aralığında bir kafel istifadə edərək təsdiq edilmişdir (Şəkil 1).

LiDAR-dan LiDAR-a qədər olan yüksəklik fərqinin azaldılması, ortalamalar, standart sapmalar, minimum və maksimum dəyərlər, kök orta kvadrat fərqləri (RMSD) baxımından qat-qat fərqlərə əsaslanan ən yaxşı uyğun Mərhələ 1 və 2-nin seçilməsi ilə əldə edilmişdir. ) və & plusmn2 m və & plusmn 4 m LiDAR yüksəklik aralığına düşən yüksəklik fərqi faizləri. Yüksəklik fərqləri üçün qat -qat və mərhələyə görə yüzdəlik qutu sahələri də əldə edildi. Bu şəkildə yaradılan ən yaxşı seçimlərin ardıcıllığı Şəkil 2-də göstərilmişdir. Təfərrüatlı olaraq, standart hüceyrə ölçüləri və yenidən proyeksiya üçün kubun yenidən nümunə götürmə texnikasından istifadə, ümumiyyətlə, bilinear, ən yaxın və çoxlu yenidən proyeksiya metodlarından istifadə etməkdən daha yaxşı nəticələrə gətirib çıxardı (Mərhələ 1) ). Eynilə, təsadüfi olaraq hektar başına 12 nöqtədə yenidən təyin olunan DEM yüksəklik nöqtələrini çıxarmaq (Mərhələ 2), daha sonra 5 və ya 20 m qətnamə əvəzinə 10 m-də IDW yenidən interpolasiyası (Mərhələ 3), ümumiyyətlə istifadə etməkdən daha yaxşı yenidən interpolasiya nəticələrinə səbəb oldu. Kriging və təbii qonşu üsulları.

5 mərhələli prosesdən və LiDAR DEM-dən yaranan LiDAR olmayan DEM-lərin hər biri, New Brunswick boyunca davamlı axın kanalları şəbəkələri və əlaqəli DTW indeksi əldə etmək üçün istifadə edilmişdir. Bu proseslərə aşağıdakılar daxildir:

1) D8 alqoritmi, axın istiqaməti və axın toplama məlumat dəstləri əldə etmək üçün [29], axın kanallarının minimum 4 ha yuxarı axın-yığım sahəsinə malik olması müəyyən edilmişdir.

2) hər bir axın kanalından və sahil xəttindən uzaqlaşan ən az yuxarı qalxmanın dəyişmə dərəcəsini təyin etmək üçün ən aşağı qiymətli alqoritm [32].

Yaranan DTW nümunəsi, ümumiyyətlə, DTW ≤ 10 sm çox zəif drenajlı, 10 & lt DTW ≤ 25 sm zəif drenajlı, 25 & lt DTW ≤ 50 sm qeyri -mükəmməl drenajlı, 50 & lt DTW ≤ 100 sm orta yaxşı drenajlı və DTW & gt olan torpaq drenaj nümunələrini əks etdirir. 100 sm yaxşı və DTW & gt 20 m ümumiyyətlə həddindən artıq yaxşı drenajlanır. Hər bir DEM üçün ən yaxın LiDAR-dan LiDAR-a əsaslanan axın kanalları arasındakı məsafələr, məcmu tezlik paylamaları tərtib edilərək uyğunluq test edilmişdir. LiDAR-dan çıxarılan DTW və lt 1 m əhatə dairələri ilə müqayisədə hər bir LiDAR olmayan fərq, sırasıyla yanlış mənfi və yalan müsbət DTW & lt 1 m sahələrinin dərəcəsi müəyyən edilərək qiymətləndirilmişdir.

Yüksəklik fərqləri, DEM Layer tərəfindən. LiDAR-dan LIDAR-a qədər olmayan yüksəklik fərqləri, Şəkil 3-də müvafiq təpə gölgeli DEM-lərin üzərində örtülmüşdür. Bunların arasında, konturdan əldə edilən CDED fərqləri ən hamar, NB-DEM fərqləri silsiləli və ASTER fərqləridir. ən dəyişkəndir. LiDAR-DEM əhatə dairələrində, fərqlər meşəlik silsilələr və vadilər boyunca (dik yüksəklikdə dəyişikliklərin meydana gəldiyi yerlərdə) ən böyük və açıq ərazilərdə ən kiçik olmağa meyllidir. Beləliklə, LiDAR-DEM-ə nisbətən mənfi SRTM və ASTER yüksəklik fərqləri vadilər, sahillər və meşə kənarları boyunca baş verir, şübhəsiz ki, qətnamə fərqlərinə görə (1 m-ə qarşı 30 və 90 m). New Brunswickdəki ümumi ərazi və intensiv meşə kəsmə nümunələri sayəsində, LiDAR-DEM-dən müsbət SRTM və ASTER-ə qədər müsbət fərqlər olduğu qədər azdır. Nəticədə, orta fərqlər yalnız ASTER və SRTM (90 m) üçün sırasıyla 1.62 və 1.47 m -də kiçik bir pozitivliyə malikdir. 5 mərhələli prosesdən LiDAR olmayan bütün yaradılmış məlumat təbəqələri daxilində və üzərindəki yüksəliş fərqlərinin cədvəli 2-də ümumiləşdirilmişdir. Müqayisə üçün standart sapma və kök orta kvadrat

Şəkil 3. LiDAR-dan LiDAR-a qədər olmayan yüksəklik fərqləri (rəng kodlu) üçün nümunə, hər LiDAR olmayan DEM üçün DEM-dən alınan təpə kölgəsi üzərində örtülmüşdür. Sağ altda: təpə kölgəli çılpaq torpaq LiDAR DEM.

səhvlər, ASTER DEM üçün ən böyükdür, yüksəklik aralığının yalnız 23.2% -i & plusmn2 m LiDAR yüksəklik aralığında qalır və ən yaxşı NBDEM-in optimallaşdırılmış reqressiya nəticəsi üçün belədir. İkincisi üçün, LiDAR DEM ilə əlaqədar olaraq qalan yüksəliş fərqləri 70,1%-də 2 m -dən yuxarı və 4 m -də 92,9%-dir.

Mərhələ 1-dən 4-ə qədər LiDAR-dan LiDAR-a qədər yüksəklik fərqi azalması. LiDAR-dan LiDAR-DEM-ə qədər olmayan yüksəklik fərqləri ilə bağlı Cədvəl 2-də olan qeydlər və Şəkil 4-dəki qutu sahələri 0 m fərqə doğru daralma göstərir. NB üçün əridilmiş və reqressiya üçün optimallaşdırılmış DEM -lər aşağıdakı kimi alınmışdır:

NBDEM-Fused = 0.3 NB-DEM + 0.375 SRTM 90 + 0.325 CDED (1)

(ağırlıqlar NBDEM-Fused üzərindəki yüksəklik "silsiləsini" aradan qaldırmaq üçün seçilmişdir) və

NBDEM-Optimized = a + b NBDEM-Fused + c SRTM 90 + d STRM 30 + e CDED (2)

(a, b, c, d, e kəsilmə və reqressiya əmsallarına istinad edir). Bu şəkildə istehsal edilən ən uyğun reqressiya nəticələri Cədvəl 3-də tərtib edilmişdir. Birlikdə təsir

Şəkil 4. SRTM90, SRTM30, CDED, NB-DEM, NBDEM-Fused və NBDEM-Optimized üçün DDR optimallaşdırma dərəcəsi üçün LiDAR-dan LiDAR-a qədər yüksəlmə fərqləri üçün qutu sahələri, 10-cu, 25-ci, 50-ci, 75-ci və 90-cıları göstərir. th percentiles, the points above and below the 10th and 90 th percentiles, and a reference line at 0 m.

Table 2 . Non-LiDAR and LiDAR DEM elevation difference comparison across the DEM optimization extent: statistical summary, in m, including increase in ≤ ±2 to ±4 m elevation difference percentages.

Cədvəl 3. Stepwise regression results with LiDAR-DEM as dependent variable and SRTM90, SRTM30m, CDED, and NBDEM-Fused as predictor variables: regression coefficients and related errors in m R2 values near 1 across DEM optimization extent.

of stepwise non-LiDAR layer inclusion into the regression analysis generated the following improvement sequence:

NBDEM Fused ≫ SRTM30> SRTM90>CDED ≫ ASTER .

Hence, the SRTM, CDED and NBDEM-Fused DEMs account for most of the non-LiDAR to LiDAR elevation difference reductions. Entering the selected CDED and SRTM DEMs individually into the stepwise regression process is of further benefit, but only marginally so. Using the ASTER DEM produced no improvements. In detail, the NBDEM-Fused and NBDEM-Optimized layers matched the LiDAR-DEM with the least bias, least minimum, and maximum differences, and with about 70% (i.e., 90 th percentiles) of the elevation differences falling within the ±2 m LiDAR elevation range (Figure 4).

Hydrological interpretations (flow channels, wet areas), by DEM layer. Examples of the DEM-produced flow-channel and DTW patterns are presented in Figure 5, by data layer. As shown, the patterns obtained are narrow and widely pixelated with the SRTM90 and SRTM30 DEMs, are somewhat terraced across the ASTER DEM, and are ridged across the NB-DEM. In contrast, the CDED, NBDEM-Fused, NBDEM-Optimized and LiDAR DEMs layers follow fairly consistent patterns. The main hydrological benefit of the Stage 1 to 5 process stems from partially cancelling the elevation differences among the NB-DEM, CDED, and SRTM DEMs, and from essentially eliminating the NB-DEM ridging error.

The 3000 m line scan in Figure 6 (see Figure 1 for location) provides an example of how the non-LiDAR to LiDAR elevation differences change across a forest management area in relation to a recent surface image and the corresponding hill-shaded LiDAR DEM. Also shown are: (i) the 0 to 1 m cartographic

Figure 5 . Flow-channel and cartographic depth-to-water patterns overlaid on the hill- shaded non-LiDAR and LiDAR DEMs.

DTW pattern, shaded dark to light blue from, 0 to 1 m, respectively, and (ii) the DTW and LiDAR-derived canopy height profiles along the scan line. These profiles correspond closely with the image-recognized and hill-shaded DEM features, e.g., low tree height across recent cuts and wetlands, incised flow channel locations, elevated or incised roadbeds, and transmission corridors. The same, however, does not apply across the non-LiDAR elevation difference profiles. For these, the ASTER and CDED profiles have the widest excursions while the SRTM and NB-DEM profiles reflect―in part―the forest height variations, except along recent image-revealed forest cuts. The SRTM to LiDAR elevation differences in Figure 6, however, only amount to about one-half to one third of the LiDAR-generated tree height maxima.

Validation results regarding flow-channel and wet-area mapping. The DEM validation results, done outside the Stage 3 and 4 processing areas

Şəkil 6. Non-LiDAR to LiDAR elevation differences along a 3000 m scan line (Figure 1) related to the DTW pattern overlaid on recent surface image (bottom) and hill-shaded LiDAR DEM (top). Also shown, scan line for LiDAR-generated DTW and vegetation heights.

(Figure 1), are compiled in Table 4 and Table 5. For this tile, all layers are upwardly biased, but least so for NBDEM-Optimized at 0.58 m, with standard deviation and root mean square differences also being least at 2.84 and 2.90 m, respectively. The ≤ ±2 and ±4 m percentages of the elevation differences remained about the same overall across the DEM optimization and validation extents, but dropped somewhat from 70.1% to 60.5% for ≤ ±2 m, and increased from 92.9% to 95.4% for ≤ ±4 m (compare Table 2 with Table 4).

The conformance results for the nearest flow channel distances between the non-LiDAR and LiDAR-derived DEMs in Figure 7 improved by layer as follows

ASTER < NB-DEM< CDED < SRTM90 < SRTM30

There is a similar performance increase from ASTER to the NBDEM-Opti- mized layers in terms of false positive and false negative DTW < 1 m reductions, with the optimized NBNB-DEM layer being closest to the corresponding 10 m re-sampled LiDAR DEM derivation (Table 5).

In summary, the 5-stage process of combining to the original NB DEM with the CDED and SRTM DEMs and subsequently calibrating the result with available LiDAR DEM pieces not only improved but also extended the flow-channel delineation across New Brunswick in a systematic and comprehensive manner. This is illustrated in Figure 8 by way of an example within the validation tile (Figure 1).

Figure 7 . Cumulative frequency of nearest distances between the non-LiDAR- and LiDAR-derived flow-channel networks, across validation extent.

Table 4 . Non-LiDAR and LiDAR DEM elevation difference comparison: statistical summary for validation site, in m, including percentage of elevation differences ≤ ±2 m and ≤ ±4 m.

Table 5 . Reduction in area (as percentage) of false positive and false negative DTW < 1 m areas relative to the 10m LiDAR-derived DTW pattern across validation extent.

The above analysis demonstrates that the fusion of non-LiDAR DEMs can lead to systematic elevation difference reductions, which can be further enhanced through regression calibration with available LiDAR datasets. The DEM so optimized can then be used to generate province or region-wide hydrographic DEM interpretations that are similar to what can be derived from LiDAR-gen- erated DEMs, at 10 m resolution at least.

The non-LiDAR-DEM uncertainty reductions by way of the 5-stage process appear to be small numerically at a 20% reduction of false positives, and a 10% reduction of false negatives (Table 4). There is, however, a substantial 8 times out of 10 distance-to-flow-channel improvement from ±25 m (NB-DEM) to ±5 m (NBDEM-Optimized) (Figure 7). This, by itself and in view of the illustrations

Figure 8 . NBDEM-Optimized (bottom left) and LiDAR-DEM (bottom right) derived flow-channel, and DTW < 1 m delineations, versus the water courses of the New Brunswick Hydrographic Network, overlain on aerial imagery and hill-shaded LiDARDEM (top right only). Note the correspondence between the DEM-derived flow channels and the riparian vegetation buffers. Location: part of the validation tile in Figure 1.

in Figures 5-7 has led to considerable improvements in comprehensively mapping flow channels and wet areas across New Brunswick. In turn, this has had a positive effect on local and regional operations planning in, e.g., forest management (harvest block layout and access), transportation and trail routing, environmental impact assessment, land transactions, and emergency responses. In part, some of the province-wide benefits accrue from improved DEM delineations and determinations of upslope basin areas. These areas are used to estimate, e.g., potential stream discharge rates and required culvert and bridge dimensions at any road-stream crossing, by extreme weather events (e.g., 100 mm or stream discharge per day, roughly equivalent to a 100-year storm event). In this regard, DEM error reductions are especially important across flat terrain, where minor elevations changes (artificial, natural, or man-made) can lead to substantial errors in determining storm water flow directions.

The optimized NB-DEM layer is also useful for checking province-wide wetland coverages. In general, already delineated wetlands fall into the DTW< 0.5 m range [30] . Extending the conformance checking between DEM-delineated and actual wetland border using the original NB-DEMlayer amounted to ±80 m, 8 times out of 10. Air-photo delineated wetland borders generally conform to distances within ±40 m, 8 times out of 10. In contrast, LiDAR-DEM derived DTW = 0.5 m contours conform to actual wetland borders within ± 10 m, 8 times out of 10 (details not shown). The optimized DEM, while somewhat less accurate than the LiDAR-DEM, can nevertheless be used to trace and survey-check wetland-to-wetland connections across the province.

The fact that DEM fusion leads to DEM improvements in terms of vertical and lateral error reductions has been demonstrated repeatedly (e.g., [37] [38] [46] [47] ), but the fusion processes pertaining to cell re-sizing, re-projection, re- sampling re-interpolation, DEM weighting and noise filtering all vary. For example, [40] produced “a nearly-global, void-free, multi-scale smoothed, 90 m digital elevation model” called EarthEnv-DEM90 (http://geomorphometry.org/content/earthenv-dem90). Tran et al. [48] fused ASTER with SRTM30 data through (i) DEM quality assessment and pre- processing, (ii) hydrologic DEM enforcement, (iii) void filling and projection shifting, (iv) DSM versus DTM bias elimination by landform, and (v) DEM de- noising. The 5-stage process in this study varies from [48] by way of systematic cell size and DEM re-processing (re-projecting and re-interpolation), and using the regression process for bias removal. The reference DEMs also differ: using a DEM generated from the 1:10,000 topographic map 5 m intervals and spot- height elevation data (i.e., similar to CDED) versus using 1 m LiDAR DEM re- sampled at 10 m.

In terms of applying the above approach to other areas with similar and/or different DEMs including LiDAR DEM coverages, it is important to examine each re-projected, re-sampled and re-interpolated DEM in reference to artifacts and hydrographic correctness. In this regard, all open water surfaces need to be rendered flat, and streams and rivers need to drop monotonously through their surrounding terrain towards their receiving shores.

The systematic fusion of currently available DEM layers for all of New Brunswick not only led to considerable non-LiDAR to LiDAR DEM elevation difference reductions, but also produced a closer and verifiable correspondence between the resulting flow-channels and wet-area derivations. In summary, the 5-stage process as described in this article has shown that:

1) Non-LiDAR elevation differences relative to LiDAR DEMs can be reduced through careful analysis requiring re-projecting, re-sampling, and re-interpolation, followed by selective non-LiDAR DEM amalgamation.

2) The fusion process of the SRTM, CDED and NB-DEM layers, each used at about equal weight, was effective in generating a much improved non-LiDAR- DEM coverage across New Brunswick. Using the ASTER DEM did not improve the best-fitted fusion result so obtained.

3) The fusion process removed many layer-specific artifacts and large layer- to-layer elevation differences, while the non-LiDAR to LiDAR-DEM regression process reduced the NBDEM-Optimized elevation bias to less than 1 m.

4) While the results are specific to and can be applied comprehensively across New Brunswick, similar non-LiDAR DEM improvements could be incurred elsewhere.

Financial support for this work was received from NSERC’s AWARE Research Network, the Canadian Wood Fibre Research Centre, Natural Resources Canada, and from the Forest Watershed Research Center at UNB. We thank Bernie Connors (Service New Brunswick) for discussion and comments.


Nəticə

Vertical uncertainty is a critical factor to consider and account for in elevation-based assessments of SLR and coastal flooding exposure. Some studies have properly handled the vertical uncertainty, as expressed in the combined elevation data and transformation errors, and in doing so provide valuable additional information to the user about confidence in the mapping and likelihood of projected impacts. However, many other studies ignore the vertical uncertainty stemming from the underlying elevation data and use assessment parameters (water level change increments and planning horizons) that are well within the error bounds and are not appropriate for generating high confidence results, thus leading to questionable delineations of impact zones and inventories of the population and resources contained therein.

The simple methods described herein for selecting coastal assessment parameters (minimum increment of water level change, SLRIdəq, and planning horizon, TLdəq) that are supported at high confidence levels by the vertical qualities of the elevation data are useful for characterizing the capabilities of global DEMs. Application of these methods to current global DEMs (SRTM and its derivatives NASADEM, CoastalDEM, and MERIT ASTER GDEM AW3D30 and TanDEM-X) demonstrates that none of these DEMs support coastal inundation or flood assessment at high confidence levels for small water level increments (ρ m) or short planning horizons (𼄀 years). High confidence assessments of scenarios with cumulative SLR of less than 1 m or planning horizons within the current century require elevation data with much better vertical accuracy than that afforded by global DEMs, which points to high-accuracy sources such as terrestrial and airborne lidar, high-resolution photogrammetry, and ground surveys. These technologies produce high-quality elevation data that facilitate development of detailed spatially explicit inundation maps.

The key finding demonstrated in this study leads the list of best practices to follow in elevation-based coastal inundation assessments.

(1) Account for the inherent cumulative vertical uncertainty in the elevation data by using increments of water level increase and planning horizons that are supported at high confidence levels, and state those confidence levels explicitly in study documentation. The metrics SLRIdəqTLdəq are direct functions of the vertical accuracy of the DEM used in the study, and they are useful for ensuring that the chosen assessment parameters are appropriate given the error characteristics of the DEM.

(2) Apply probabilistic or modified deterministic methods when producing maps of impact zones and inventories of features and resources contained therein. These approaches allow for a specific probability or confidence level to be attached to the results, and ideally the maps portray that quality using clear symbology and the inventories are labeled with that information.

(3) Delineate impact zones above the normal high water line, which usually implies vertical datum transformation that should be reflected in cumulative vertical uncertainty (calculated via summing in quadrature).

(4) Enforce hydrologic connectivity (direct connection to the ocean) in the DEM when conducting spatially explicit mapping of marine inundation. Map and inventory separately the low-lying disconnected lands that are subject to flooding at the specified water level elevation.

(5) Use relative SLR rates that account for geographic variation and departures from global mean rates because of differential vertical land movement, ocean currents, and gravity.

(6) Employ dasymetric mapping techniques for better estimates of potential impacted population.

As the use of these best practices increases, assessments will improve and become more valuable, especially by having quantified and published uncertainty information (confidence levels and likelihood statements), and results will be directly comparable across different assessments.

In the future, as elevation datasets with large-area coverage improve, analyses utilizing the improved elevation information and the community best practices will result in robust assessments. Ongoing enhancements to widely used methods will also help to improve progress, such as better incorporation of information on physical processes, including tidal regimes (Hanslow et al., 2018) and water level attenuation due to surface roughness (Vafeidis et al., 2017), into bathtub modeling used for broad area screening. However, for elevation-based coastal assessments, the primary factor affecting quality and usefulness of results remains the choice of the elevation model used (National Oceanic and Atmospheric Administration [NOAA], 2010 Doyle et al., 2015 Wolff et al., 2016 Yunus et al., 2016), and how the DEM vertical uncertainty is characterized and accounted for (West et al., 2018). Open-access global DEMs have been a major advance for many Earth science and environmental modeling applications, but the findings from the present evaluation of currently available datasets for detailed assessments of SLR and coastal flooding exposure add to the recent recognition (Schumann et al., 2014 Simpson et al., 2015 Sampson et al., 2016) that the requirement remains for a freely available, high-accuracy, high-resolution global elevation model that supports quantitative coastal inundation hazard assessments at high confidence levels.


Application of sky view factor technique to the interpretation and reactivation assessment of landslide activity

High-resolution digital elevation models are crucial to the investigation of natural disasters, and a variety of methods based on visualization and relief map compilations have been proposed. In this study, the sky view factor (SVF) is applied to slope maps and a digital elevation model (DEM) of the Oso landslide, a deadly landslide that occurred in Washington State on March 22, 2014, to demonstrate the effectiveness of SVF-enhanced relief maps in mapping and evaluating large-scale or deep-seated landslide hazards. A procedure for combining the SVF-enhanced DEM with slope and elevation maps is also presented. Then the maps are used to extract the landslide-prone areas and perform a reactivation analysis of the post-Oso landslide using an analytic hierarchy process (AHP). By using the SVF-enhanced DEM to perform the AHP assessment on multi-period images, we accurately evaluate hazard of the landslide for both pre and post-2014 conditions. Finally, different visualization maps, limitation and recommend parameters for generating SVF relief map are presented in the paper.

Bu, abunə məzmununun, müəssisəniz vasitəsi ilə girişin bir ön görünüşüdür.


NƏTİCƏLƏR

We developed and evaluated a semiautomated SCM for analysis of LiDAR data to identify potential terraces on the basis of their low slope, low relief, and geomorphic context. We refer to the features identified by the SCM as platforms, a term we use nongenetically. Our analysis revealed a regionally extensive flight of different platforms at elevations of 100–450 m along the northern coast of California. These platforms contain 21 distinct elevation bands (Table 2). Geologic evidence consistent with the interpretation of at least some of these platforms as marine terraces includes (1) a lack of vegetation or the presence of pygmy forests, (2) locally abundant well-rounded, well-polished clasts of varying compositions, (3) clasts of radiolarian chert sourced from Franciscan on platforms west of the fault and, and (4) beveled outcrops of German Rancho Formation overlain by thin layers of unconsolidated clastic deposits with sandy matrix and well-rounded clasts.

Comparison of the distribution of platform elevations with sea-level highstands reveals that rates faster than 0.6 mm/yr are unlikely in the study area. The best-fit surface uplift rate we find is 0.2 mm/yr for the past 2 Ma, at the low end of previously estimated rates for the area, which are ∼0.2–0.6 mm/yr, based on the elevations and known or inferred ages of the youngest marine terraces in the area (Crosby et al., 2007 Merritts and Bull, 1989 Muhs et al., 1992 Prentice and Kelson, 2006). In addition, we find that platforms are tilted gently northward by 0.079° on the Gualala block west of the SAF in the 10.7-km-long section of coastline near Point Arena, in the northernmost part of the study area. We interpret this tilting to reflect short-wavelength (5–10 km) deformation of the terraces in this part of the study area due to folding or fault block rotation. Further detailed work is needed to determine the geometry and extent of such tilting. If such tilting is found to be regionally extensive, then the number of platform generations (21) and uplift rate (0.2 mm/yr) determined here will need to be revisited. This study demonstrates that LiDAR data reveal a long-lived geomorphic record of surface uplift along the coast of northern California, suggesting that future dating efforts could provide a rich record of surface uplift in the region.

This paper is dedicated to Kurt Frankel. Supported by National Aeronautics and Space Administration grant EOS/03-0663-0306, National Science Foundation CI-Team grant OCI-0753407, the Northern California Geological Society, the University of California Davis Engineering Scholarship program, and the University of California Davis Department of Geology Durrell Fund. We thank Harvey Kelsey and an anonymous reviewer for their comments and Carol Prentice for her assistance in the field and knowledge of the area. Bowles thanks the staff and rangers at Fort Ross and Salt Point State Parks, Philip Mooney for field assistance, Mike Oskin for ArcGIS assistance, and Erin Burkett for her MATLAB expertise and help in coding the frequency analysis. Early drafts benefited from reviews by Mike Oskin, Louise Kellogg, Ryan Gold, Adam Forte, and Peter Gold.


Videoya baxın: INTERVIEW MTG GRADE! LES REPONSES A VOS QUESTIONS! POKEMON u0026 MAGIC