- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,728 |
| تعداد مقالات | 31,071 |
| تعداد مشاهده مقاله | 28,604,288 |
| تعداد دریافت فایل اصل مقاله | 16,296,722 |
بررسی کاربرد دستگاه کینکت در تعیین مدل رقومی بستر آبراهه‌های شنی در مقیاس سنگ دانه ها (مطالعۀ موردی: بستر رودخانۀ کردان) | ||
| تحقیقات مهندسی سازه های آبیاری و زهکشی | ||
| مقاله 5، دوره 21، شماره 78، اردیبهشت 1399، صفحه 57-78 اصل مقاله (1.29 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/idser.2019.125069.1373 | ||
| نویسندگان | ||
| هادی بالی1؛ سید حسین مهاجری2؛ امیر صمدی* 3 | ||
| 1دانش‌آموخته کارشناسی ارشد مهندسی آب و سازه‌های هیدرولیکی، گروه مهندسی عمران آب، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران | ||
| 2استادیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران | ||
| 3استادیار گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران | ||
| چکیده | ||
| تأثیرمورفولوژیکی بستر رودخانه ها و کانال های انتقال آب بر شرایط زیست محیطی و هیدرولیکی از موضوعاتی است که همواره دربارۀ آن بحث می شود. از آنجاکه بسترهای شنی رودخانه ها و کانال ها حاوی ویژگی های بیولوژیکی و هیدرولیکی منحصر به فرد هستند، مطالعۀ ساختار بستر و توزیع ارتفاعی آن و تأثیرگذاری آن بر شرایط مختلف اکولوژیکی و هیدرولیکی بسیار بااهمیت است. به‌منظور تعیین مدل رقومی چنین رودخانههایی، امروزه استفاده از روش های نوین در مطالعات مورد توجه قرار گرفته است. در این مطالعه، کاربرد دستگاه کینکت در تعیین مدل رقومی بسترهای شنی بررسی و ارزیابی شده است. به این منظور برداشت هایی در بسترهای مصنوعی در مقیاس آزمایشگاهی صورت پذیرفت و پس از آن، کاربرد این روش در تعیین بستر شنی رودخانۀ کردان، یکی از رودخانه های قرار گرفته در اقلیم خشک و نیمه‌خشک نواحی مرکزی ایران و تحت تابش نور خورشید، ارزیابی شد. بررسی ها نشان داد که قابلیت این دستگاه در ساخت مدل رقومی به رنگ، ابعاد و جنس مصالح بستگی دارد. همچنین مشاهده شد که این دستگاه قادر است با دقت نسبی کمتر از 20 و 40 درصد در بسترهای دارای شکل های هندسی به‌ترتیب منظم و نامنظم، مدل رقومی را برآورد کند. با این‌همه، نتایج حاصل از کاربرد این دستگاه در مطالعات میدانی بیانگر اثر زیاد پرتو فروسرخ (مادون قرمز) موجود در محیط و اثر منفی سایه در فضای بین سنگدانه هاست که کاربرد این دستگاه را در مطالعات میدانی با چالش مواجه می سازد. بررسی ها، به طور مشخص، نشان داد که با ایجاد سایه در مطالعات میدانی تعداد ابر نقاط ساخته شده در سطح نمونه برداشت شده، از حدود 335000 نقطه به حدود 425000 نقطه افزایش می یابد که نشانه ای است از بهبود کیفیت به‌میزان 26 درصد. به‌منظور رفع این نقیصه و کاربردی کردی دستگاه کینکت در اقلیم های خشک و نیمه‌خشک پیشنهاد شده است برداشت های میدانی با استفاده از اتاقک تاریک یا در شرایط آب و هوایی ابری-بارانی دنبال شود. | ||
| کلیدواژه‌ها | ||
| آنالیز خطا؛ رودخانۀ بستر شنی؛ رویکرد نقطه به نقطه؛ مدل رقومی ارتفاع | ||
| عنوان مقاله [English] | ||
| An Investigation on the Application of the Kinect Device in Determining the Digital Elevation Model of Gravel Streams in Gravel Scale (Case study: Kordan Riverbed) | ||
| نویسندگان [English] | ||
| hadi Bali1؛ Seyed Hossein Mohajeri2؛ Amir Samadi3 | ||
| 1Islamic Azad University | ||
| 2Kharazmi University | ||
| چکیده [English] | ||
| Introduction In recent years, the advancement of computer science helped to examine digital elevation models (DEMs) that are produced in various methods. It is possible to study DEM at different scales. These scales are: 1-fine grain scale, 2-meso scale 3-reach scale, and 4-catchment scale. Determining and studying the digital elevation model of the bed in each of these scales is important. Today, the advances achieved in computer science and its combination with engineering sciences, including river engineering, have led to new approaches in this field. One of the most widely used devices is the Kinect. The use of the Kinect for scientific purposes was first introduced in 2013 by David Monkoff as a cheap, high-precision instrument to produce three-dimensional models that could be used in a wide range of scientific studies such as geology, geomorphology and bathymetry (Mankoff & Russo, 2012). In this study, the ability of Kinect device to determine the DEM of sand bed in the Kordan River, as a method for determining the roughness of natural riverbed, has been investigated by comparing the average and relative error of DEMs prepared by Kinect and theoretical models. Methodology In this study, the Microsoft Kinect Xbox 360 was used to produce a digital elevation model. This device costs about $100, with a frequency range of 9 to 30 Hz, the accuracy of spatial and elevation data in about a millimeter to a centimeter, and its best performance range between 50 centimeters to 5 meters. This device is capable of producing 3D information with high spatial (x, y) (2 to 20 mm) and high vertical accuracy (z) (error about 1 mm at 50 cm and error about 75 mm at 5 meters). The sensor angle of view is 57 and 43 degrees horizontal and vertical, respectively (Mankoff & Russo, 2012).The Kinect sensor is capable to capture simultaneously the color and depth images at a frame rate of more than 30 fps (30 frames per second). The incorporation of the depth and color data generates a cloud of color dots, about 300,000 dots per frame, which can consistently increase the density of dots or produce a full cloud of dots by sequential depth images. The minimum distance for Kinect is about 0.4 meters and the maximum varies between 4 to 5 meters (Khoshelham & Elbernik, 2012; Pagliari & Pinto, 2015). In this study, the kinect position was considered at 80 to 120 cm above the bed, so that all the boundaries of the bed were placed at the viewing angle of the kinect camera, achieving the lowest error rate. In order to investigate the ability of the Kinect device to determine the digital elevation model of the sandy river bed, two laboratory and field sections were defined. Two purposes of this segmentation were to compare the capability of a Kinect device in a laboratory-controlled environment with natural conditions, and to determine optimum conditions for the lab environment to be applied to the field. The results showed that the absolute error value and standard deviation related to detached cement hemispheres had been less than the figure for hemispheres joint together, however relative error was noticeably more. The results also showed that the error of the Kinect decreased with increasing size of the bed roughness elements. After having beds with regular geometric shapes been validated, the results of artificial sand beds consisting of natural aggregates with dense and non-dense arrangement were investigated. It has been observed that the error rate in the natural beds increased on average and the standard deviation of the results was twice as much as of the DEM with regular shape. It was obviously clear from the graphs that the digital elevation model developed by the Kinect device produced lower accuracy in lowlands than in upper elevations of the beds. Results and Discussion Having digital elevation models of artificial and natural beds been developed, the results were analyzed. At the beginning of laboratory investigations, the digital elevation model was examined on a regular basis. After beds with regular geometric shapes had been validated, the results of artificial sand beds consisting of natural aggregates with dense and non-dense arrangement were investigated. Conclusions To investigate the Kinect capability in determining the digital elevation model of sandy beds, its capability in artificial bed -consisting of small and large regular hemispheres and dense and non-dense sandstone aggregates- was first analyzed and the following results were obtained: 1. The results indicated that this device was capable to generate digital elevation models for determination of bed roughness using statistical analysis in laboratory environment. 2. Both infrared beams in outdoor spaces in sunlight and shadow in the open spaces among aggregates simply increased the error of the digital elevation model generated by the Kinect device in field studies. 3. Studies showed that the Kinect device could be a reliable replacement for outdated methods such as laser measurements and point gauges for digital elevation modeling of sand beds in laboratory. | ||
| کلیدواژه‌ها [English] | ||
| Digital Elevation Model (DEM), Error Analysis, Gravel-bed River, Point to Point Method | ||
| مراجع | ||
|
Aberle, J., & Nikora, V. (2006). Statistical properties of armored gravel bed surfaces. Water Resources Research, 42(W11414), pp. 1-11.
Bento, A. M., Couto, L., Pêgo, J. P., Viseu, T. (2018). Advanced characterization techniques of the scour hole around a bridge pier model. River Flow 2018 - Ninth International Conference on Fluvial Hydraulics, 40. Sept. 5-8, Lyon-Villeurbanne, France. doi: https:// doi.org/10.1051/e3sconf/20184005066.
Biggs, B. J. F., & Close M. E. (1989). Periphyton biomass dynamics in gravel bed rivers: the relative effects of flows and nutrients. Freshwater Biology, 22(2), pp. 209-231.
Butkiewicz, T. (2014). Low-cost Coastal Mapping using Kinect v2 Time-of-Flight Cameras. Sept. 14-19, 2014 Oceans - St. John's. St. John's, NL, Canada. doi:10.1109/OCEANS.2014. 7003084.
Chavez, G. M., Sarocchi, D., Santana, E. A., & Borcelli, L. (2014). Using Kinect to analyze pebble to block-size clasts in sedimentology. Computers and Geosciences, 72, P 18-32.
Kalinkova, V., Chytry, K., & Chytry, M. (2018). Early vegetation succession on gravel bars of Czech Carpathian streams. Folia Geobot, 53(3), pp. 317-332.
Hauer, R. F., Locke, H., Dreitz, V. J., Hebblewhite, M., Lowe, W. H., Muhlfeld, C. C., Nelson, C. R., Proctor, M. F., & Rood, S. B. (2016). Gravel-bed river floodplains are the ecological nexus of glaciated mountain landscapes. Science Advances, 2(6): pp. 1-13.
Keramaris, E., & Pechlivanidis, G. (2015). The influence of transition from vegetation to gravel bed and vice versa in open channels using the PIV method. Water Utility Journal, 10, pp. 37-43.
Khoshelham K., & Elbernik S. O. (2012). Accuracy and resolution of kinect depth data for indoor mapping applications. Sensors, 12, pp. 1437-1454.
Klopfer F., Hämmerle M., & Höfle B. (2017). Assessing thePotential of a Low-Cost 3-D Sensor in Shallow-Water Bathymetry. IEEE Geoscience and Remote Sensing Letters, doi:10.1109/LGRS.2017.2713991
Kondolf, G. M., Sale, M. J., & Wolman, M. G. (1993). Modification of fluvial gravel size by spawning salmonids. Water Resources Research, 29(7), pp. 2265-2274.
Mankoff, K. D., & Russo, T. A. (2012). The Kinect: a low-cost, high-resolution, short-range 3D camera. Earth Surface Processes and Landforms, 38(9), pp. 926-936.
Masoodi, A., Noorzad, A., Majdzadeh-Tabatabai, M. R., & Samadi, A. (2018). Application of short-range photogrammetry for monitoring seepage erosion of riverbank by laboratory experiments. Journal of Hydrology, 558, pp. 380-391.
Mohajeri, S. H., Grizzi, S., Righetti, M., Romano, G. P., & Nikora, V. (2014). The structure of gravel-bed flow with intermediate submergence: a laboratory study. Journal of Water Resources Research, 51(11), pp. 9232-9255.
Nicholson, L. I., Pętlicki, M., Parton, B., & Macdonell, S. (2016). 3D surface properties of glacier penitentes over an ablation season, measured using a Microsoft Xbox Kinect. The Cryosphere, 10, pp. 1897-1913.
Nikora, V. I., Goring, D. G., & Biggs, B. F. (1998). On gravel-bed roughness characterization. Water Resources Research, 34, pp. 517-527.
Pagliari, D., & Pinto, L. (2015). Calibration of Kinect for Xbox one and comparison between the two generations of microsoft sensors. Sensors, 15(11), pp. 27569-27589.
Quinn, J. M., & Hicher, C. W. (1994). Hydraulic parameters and benthic invertebrate distributions in two gravel‐bed New Zealand rivers. Freshwater Biology, 32(3), pp. 489-500.
Toselli, F., De Lillo, F., Onorato, M., & Boffetta, G. (2019). Measuring surface gravity waves using a Kinect sensor. European Journal of Mechanics / B Fluids, 74, pp. 260-264.
Wharton, G., Mohajeri S. H., & Righetti M. (2017). The pernicious problem of streambed colmation: a multi‐disciplinary reflection on the mechanisms, causes, impacts, and management challenges. Wires Water, 4(5), pp. 1-17. doi: 10.1002/wat2.1231.
Zamani, P., Mohajeri, S. H., & Samadi, A. (2019). Application of Structure from Motion (SFM) method to determine bed surface particle size in gravel bed rivers. Iranian Journal of Soil and Water Research, 50(1): pp. 215-230. (in Persian) | ||
|
آمار تعداد مشاهده مقاله: 358 تعداد دریافت فایل اصل مقاله: 151 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب