برآورد منحنی دانه‌بندی رسوبات درشت‌دانه سطحی با استفاده از سیستم تصویربرداری طراحی‌شده
الموضوعات :امیرحسین طبعی 1 , علی کرمی خانیکی 2 , علی‌اکبر بیدختی 3 , کامران لاری 4
1 - واحد علوم و تحقیقات، دانشگاه آزاد اسلامی
2 - سازمان جهادکشاورزی
3 - دانشگاه تهران
4 - دانشگاه آزاد اسلامی واحد تهران شمال
الکلمات المفتاحية: آنالیز رسوبات# پردازش تصاویر, # سیستم تصویربرداری# منحنی دانه‌بندی# نرم‌افزارImageJ #,
ملخص المقالة :
شناخت رسوبات از مباحث پایه در مهندسی سواحل و رودخانه می‌باشد. یکی از پارامترهای شناسایی رسوبات، دانه‌بندی آنها است. برای تعیین دانه‌بندی، همواره از روش‌های سنتی همانند الک کردن رسوبات استفاده می‌شود، که دقیق، اما زمان‌بر است. پردازش تصاویر این قابلیت را فراهم می‌سازند که با استفاده از کوچک‌ترین واحد تصویر دیجیتال(پیکسل)، به جداسازی و ردیابی اهداف (دانه‌های رسوبی) در تصاویر پرداخت. در این مقاله سیستمی به‌صورت یکپارچه برای تصویربرداری از رسوبات میدانی درشت‌دانه و ارائه منحنی دانه‌بندی از آن ساخته و مورد آزمایش قرار می‌گیرد. پردازش و آنالیز رسوبات با نرم‌افزارImageJ انجام و مقایسه نتایج با نتایج روش الک، برای صحت سنجی انجام شد. نمونه‌های تصاویر از رسوبات شنی و ماسه‌ای، آزمایشگاهی و طبیعی برداشت شد. یافته‌ها نشان می‌دهد توزیع به‌دست‌آمده از تصاویر رسوبات سطحی درشت‌دانه (بزرگ‌تر از یک میلی‌متر) و یکنواخت، همبستگی خوبی با توزیع به‌دست‌آمده از روش الک دارد و زمان را حداقل به یک‌دهم و هزینه کل را پایین می‌آورد.
جبی، ع. م.، یاوری، ع. و سلوکی، ح. ر.، 1398. کاربرد مدل EPM در ارزیابی فرسایش خاک (مطالعه موردی، حوضه شازند، سد ساوه). فصلنامه زمین‌شناسی ایران، 13، 50، 89- 98.
- عباسی، ن. الف.، سیوکی، م. ق.، یوسفی، م. و نویدی ایزد، ن.، 1395. اثر رخساره کروزیانا از نهشته‌های سازند نایبند (تریاس پسین) در برش پروده، جنوب باختری طبس، خاور ایران مرکزی. فصلنامه زمین‌شناسی ایران، 10، 38، 1- 15.
- ماهوش محمدی، ن.، هزارخانی، الف.، 1399. مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقه تخت گنبد سیرجان. فصلنامه زمین‌شناسی ایران، 14، 53، 31-43.
- Bankole, S.A., Buckman, J., Stow, D. and Lever, H., 2019. Grain-size analysis of mud rocks: A new semi-automated method from SEM images. Journal of Petroleum Science and Engineering, 174, 244-256.
- Blott, S. J. and Pye, K., 2001. Gradistat: A Grain Size Distribution & Statistics Package for the Analysis of Unconsolidated Sediments. Earth Surface Processes and Landforms Earth Surface Process, Landforms, 26, 1237–1248 (2001) DOI: 10.1002/esp.261.
- Bosnic, I., Sousa, H., Cascalho, J. P., Taborda, R., Ribeiro, M. and Lira, M., C., 2012. New insights into image analysis applied to beach grainsize variability. Jornadas de Engenharia Hidrográfica, 275-278.
- Davis, H., 2010. Creative Close-ups: Digital Photography Tips and Techniques. Wiley publishing, ISBN: 978-0-470-52712-2, 14 -120
- Di Stefano, C., Ferro, V. and Mirabile, S., 2010. Comparison between grain-size analyses using laser diffraction and sedimentation methods. Bio Systems Engineering, 106.
- Gonzalez, R. C., Woods, R. E. and Eddins S.L., 2009. Digital Image Processing Using MATLAB. Gatesmark publishing; 2nd edition, ISBN13:0.9820854.0.0, 100-122.
- Gonzalez, R. C. and Woods, R. E., 2008. Digital Image Processing.(Third Edition), Prentice-Hall, ISBN: 978-0-13-168728-8, 98-130.
- Graham, D. J., Rice, S. P. and Reid, I., 2005. A transferable method for the automated grain sizing of river gravels. Water Resources Research, 41, W07020.
- Graham, D. J., Rice, S. P. and Reid, I., 2005. Automated Sizing of coarse-grained sediments: Image-processing procedures. Mathematical Geology, 37, 1-28.
- Ghalib, A., 1999. Soil Particle Size Distribution by Mosaic Imaging and Watershed Analysis. Journal of Computing in Civil Engineering, 13, S. 80-87.
- Harb, G. and Schneider, J., 2009. Application of two Automated Grain Sizing Approaches and Comparison with Traditional Methods. 33rd IAHR Congress: Water Engineering for a Sustainable Environment.
- Kim, G. Y., Richardson, M. D., Bibee, D. L., Kim, D. Ch., Wilkens, R. H., Shin, S. R. and Song, S. T., 2004. Sediment type’s determination using acoustic techniques in the Northeastern Gulf of Mexico. Geosciences Journal, 8, 1, 95-103.
- Lang, N., Irniger, A., Rozniak, A., Hunziker, R., Wegner, J. and Schindler, K., 2020. GRAINet: Mapping grain size distributions in river beds from UAV images with convolutional neural networks. Hydrology and Earth System Sciences Discussions,(EGU).
- Marchetti, G., Bizzi, S., Belletti, B., Carbonneau, P. and Castelletti, A., 2018. Orbital grain size mapping from Sentinel 2 images. Geophysical Research Abstracts, 20, EGU2018-13642.
- McEwan, I. K., Sheen, T. M., Cunningham, G. J. and Allen, A. R., 2000. Estimating the size composition of sediment surfaces through image analysis. Engrs Water and Mar. Engng, Journals Department, Institution of Civil Engineers, 12069,189-195.
- Papanicolaou, Th. and Strom, K., 2004. Grain Size Analysis of Beach Sediment in Rich Passage Washington. A Report prepared for Pacific International Engineering.
- Prasad Shrestha, B., Poudel, L., Thapa, Bh. and Kumar Shrestha, N., 2011. Sediment Shape Characterization Using Digital Image Processing. The 12th Annual Conference of Thai Society of Agricultural Engineering, Thailand.
- Purinton, B. and Bookhagen, B., 2019. Introducing Pebble Counts: A grain-sizing tool for photo surveys of dynamic gravel-bed rivers. Manuscript under Review for journal Earth Surface Dynamics, CC BY 4.0 License.
- Rice, S. P. and Church, M., 1996. Grain-size sorting within river bars in relation to downstream _ning along a wandering channel. Sedimentology, 57 (1), 232 - 251.
- Rubin, D. M., Chezar, H., Harney, J. N., Topping, D. J., Melis, T. S. and Sherwood, Ch. R., 2007. Underwater microscope for measuring spatial and temporal changes in bed-sediment grain size. Sedimentary Geology 202, 402–408.
- Rubin, D. M., 2004. A Simple Autocorrelation Algorithm For Determining Grain Size From Digital Images of Sediment. Journal of Sedimentary Research, 74, 1, 160–165.
- Shin, S., 2004. Wavelet Analysis of Soil Mass Images for Particle Size Determination. Journal of Computing in Civil Engineering, 19-27.
- Sime, L. C., 2003. Information on Grain Size in Gravel-Bed Rivers by Automated Image Analysis. Journal of Sedimentary Research 73, 630- 636.
- Sonka, M., Hlavac, V. and Boyle, R., 2015. Image Processing, Analysis, and Machine Vision. Fourth Edition, Publisher, Global Engineering: Timothy L. Anderson, ISBN-13: 978-1-133-59360-7, 105-181
- Stähly, S., Friedrich, H. and Detert, M., 2017. Size Ratio of Fluvial Grains’ Intermediate Axes Assessed By Image Processing and Square-Hole Sieving. Journal Hydraulic Engineering, 143(6).
- Sukhtankar, R.K., 2008. Applied Sedimentology. CBS Publishers, ISBN: 81-239-1052-5.
- Turley, M. D., Bilotta, G. S., Arbociute, G., CHadd, R. P., Extence, C. A. and Brazier, R. E., 2016. Quantifying Submerged Deposited Fine Sediments in Rivers and Streams Using Digital Image Analysis. River Research and Applications, DOI: 10.1002/rra.3073.
USGS, 2001. USGS east-coast sediment analysis; procedures, database, and geo referenced displays. U.S Geological Survey (USGS), 21-35.
- West, J. L. and Cameron, I. D., 2006. Using the medical image processing package ImageJ for Astronomy. The Journal of the Royal Astronomical Society of Canada, 242-247.
