ادغام مدل های رقومی ارتفاعی جهانی با استفاده از تلفیق مدل رگرسیون وزن دار جغرافیایی و الگوریتم بهینه سازی توده ذرات

مدل های رقومی ارتفاعی جهانی (gdems) یکی از مهم ترین منابع داده های ارتفاعی هستند. در طی سال های اخیر، gdems به دلیل پوشش جهانی و قابلیت دسترسی رایگان به صورت فزاینده ای مورد توجه محققین مختلف قرار گرفته اند. از پرکاربردترین این مدل ها می توان به aw3d، aster و srtm اشاره نمود. هر یک از این مدل‌ها توسط فناوری های مختلف تولید می شوند و نقاط قوت و ضعف متفاوتی دارند. این امر موجب شده که مدل های مذکور با یکدیگر تطابق کامل نداشته باشند و دقت هر یک از آن ها تابع توپوگرافی محلی سطح زمین باشد. هدف اصلی این مطالعه، ادغام مدل های رقومی ارتفاعی جهانی جهت تولید مدلی با دقت ارتفاعی بالاتر نسبت به هر یک از مدل های اولیه می باشد. در همین راستا، در این مطالعه یک روش دو مرحله ای برای ادغام مدل های رقومی ارتفاعی پیشنهاد شده است. در مرحله اول، با استفاده از مدل رگرسیون وزن دار جغرافیایی (gwr) مناطقی از سطح زمین که دارای ویژگی های مشابه هستند، در کلاس های یکسانی طبقه بندی خواهند شد. در مرحله دوم، به منظور ادغام gdems، وزن بهینه هر یک از کلاس های تعریف شده برای هر یک از مدل های aw3d، aster و srtm با استفاده از الگوریتم بهینه سازی توده ذرات (pso) برآورد می شود. به منظور ارزیابی دقیق روش پیشنهادی، از این روش برای تولید مدل نهایی حاصل شده از ادغام (fuseddem) در دو منطقه بومهن و تازه آباد استفاده شده است. در منطقه مطالعاتی اول (بومهن)، مقدار جذر میانگین مربع خطاها (rmse) روی نقاط ارزیابی برای مدل های رقومی ارتفاعی aw3d، aster و srtm در حالت پنج کلاسه به ترتیب 4.58 ، 8.69 و 4.70 متر و برای مدل نهایی حاصل شده از ادغام، برابر با 3.97 متر می باشد. به همین ترتیب در منطقه مطالعاتی دوم (تازه آباد)، مقدار rmse روی نقاط ارزیابی برای هر یک از مدل های aw3d، aster و srtm به ترتیب 3.33، 7.31 و 3.17 متر و برای مدل نهایی حاصل شده از ادغام، برابر با 2.74 متر می باشد. نتایج حاصل نشان می دهندکه روش پیشنهادی قادر است با بهره گیری از نقاط قوت هر یک از این مدل های ورودی در فرآیند ادغام، مدلی با دقت بالاتر نسبت به هر یک از مدل های اولیه تولید نماید.

Fusing Global Digital Elevation Models Using a Combination of Geographically Weighted Regression Model and Particle Swarm Optimization Algorithm

Global Digital Elevation Models (GDEMs) are one of the most important sources of elevation data. In recent years, GDEMs have become increasingly popular with researchers due to their global coverage and free accessibility. The most commonly used GDEMs are AW3D, ASTER, and SRTM. Each of these models is produced by different technologies and have different strengths and weaknesses. This issue indicates that these data are not necessarily consistent with another, and their accuracy is dependent on the local topography of the earth. The main objective of this research is to fuse global digital elevation models to produce a model with higher vertical accuracy. In this regard, in this study, a twostep approach is proposed for fusing GDEMs. In the first step, a Geographically Weighted Regression (GWR) model is used to determine areas of the Earthchr(chr('39')39chr('39'))s surface that have similar properties. In other words, using the GWR model, regions of the study areas with similar behaviors are classified into the same classes. At this step, each of these study areas is classified into three, five, and seven classes. Among these modes, for both study areas, the best results are for five Class mode. In the second step, to fuse GDEMs, the optimum weight of each class defined for each of AW3D, ASTER, and SRTM models are estimated using the particle swarm optimization (PSO) algorithm. In order to evaluate the accuracy of the proposed method, it has been used to produce the fused DEM for two study areas of BumeHen and TazehAbad. In the first case study (BumeHen), the amount of Root Mean Square Error (RMSE) on test points in five class mode for AW3D, ASTER and SRTM are 4.58, 8.69 and 4.70 meters respectively, while it rsquo;s 3.97 meters for fused DEM. In the second case study (TazehAbad), the amount of RMSE on test points in five class mode for AW3D, ASTER, and SRTM are 3.33, 7.31, and 3.17 meter respectively and it rsquo;s 2.74 meters for fused DEM. The results show that the proposed method is capable of producing a higher accuracy model than any of the initial models by utilizing the potential of each of these input models in the fusion process.