مدل رقومی سطح (DSM): بازنمایی واقع‌گرایانه چهره زمین

نویسنده: فاطمه جعفری نوبخت

در دنیای علوم مکانی (Geospatial)، نمایش ارتفاعات زمین همواره چالش‌برانگیز بوده است. در حالی که نقشه‌های سنتی توپوگرافی تنها پستی و بلندی‌های خاک را نشان می‌دادند، نیازهای مدرن شهری و محیط زیستی نیازمند مدلی هستند که تمام عوارض روی زمین را شامل شود. اینجاست که DSM وارد میدان می‌شود.

1- مدل رقومی سطح (DSM) چیست؟

DSM مخفف Digital Surface Model است. این مدل، ارتفاعات سطح زمین را به همراه تمام عوارض طبیعی و مصنوعی قرار گرفته روی آن نمایش می‌دهد.

به زبان ساده، اگر یک پارچه بزرگ را روی یک شهر یا جنگل بیندازید، شکلی که پارچه به خود می‌گیرد همان DSM است. این مدل شامل موارد زیر است:

• سطح زمین (در نقاط باز)
• ساختمان‌ها و سازه‌های شهری
• پوشش گیاهی و درختان
• تیرهای برق و دکل‌ها

2- تفاوت کلیدی: DSM در برابر DEM و DTM

بسیاری از کاربران GIS این سه واژه را به جای هم استفاده می‌کنند، اما تفاوت‌های فنی مهمی بین آنها وجود دارد:

1. DSM (مدل رقومی سطح): بالاترین سطح قابل مشاهده را نشان می‌دهد (نوک درختان، سقف خانه‌ها). این مدل “دیدِ پرنده” یا “First Return” در داده‌های لیدار است.
2. DTM (مدل رقومی زمین): نشان‌دهنده سطح لخت زمین (Bare Earth) است. در این مدل، عوارض مصنوعی و گیاهی به صورت دیجیتالی حذف شده‌اند.
3. DEM (مدل رقومی ارتفاع): اغلب به عنوان یک واژه کلی برای داده‌های ارتفاعی استفاده می‌شود، اما معمولاً مترادف با DTM (سطح زمین بدون عوارض) در نظر گرفته می‌شود.

فرمول طلایی در تحلیل محیط زیست:

یکی از مهم‌ترین کاربردهای داشتن همزمان DSM و DTM، محاسبه ارتفاع عوارض است. مثلاً برای به دست آوردن مدل ارتفاع تاج پوشش گیاهی (CHM) یا ارتفاع ساختمان‌ها از فرمول زیر استفاده می‌شود:

CHM = DSM – DTM

3- روش‌های تولید DSM

برای تولید یک مدل رقومی سطح دقیق، نیاز به تکنولوژی‌هایی داریم که بتوانند ارتفاع عوارض را از بالا اسکن کنند:

1-3-لیدار (LiDAR)

این دقیق‌ترین روش موجود است. سنسور لیزری نصب شده روی هواپیما یا پهپاد، میلیون‌ها پالس نوری ارسال می‌کند.

• بازگشت اول (First Return): اولین پالسی که به سنسور برمی‌گردد، معمولاً به بالای درخت یا لبه ساختمان برخورد کرده است. این داده‌ها مستقیماً DSM را می‌سازند.
• بازگشت آخر (Last Return): پالس‌هایی که از لابه لای شاخ و برگ رد شده و به زمین می‌خورند، برای ساخت DTM استفاده می‌شوند.

2-3- فتوگرامتری پهپادی (UAV Photogrammetry)

با استفاده از تصاویر هوایی همپوشانی‌دار و الگوریتم‌های پردازش تصویر (مانند Structure from Motion یا SfM)، نرم‌افزار می‌تواند ابر نقاط (Point Cloud) تولید کند. از آنجا که دوربین فقط “سطح” اشیاء را می‌بیند، خروجی پیش‌فرض فتوگرامتری همیشه DSM است. (برای رسیدن به DTM در این روش نیاز به فیلترینگ و حذف عوارض است).

3-3- تصاویر ماهواره‌ای استریو

ماهواره‌هایی مانند WorldView یا Pleiades با گرفتن تصاویر از زوایای مختلف، امکان تولید DSM برای مناطق وسیع را فراهم می‌کنند.

4- کاربردهای حیاتی DSM

1-4- مدیریت شهری و شهر هوشمند (Smart City)

• مدلسازی سه بعدی شهر: DSM پایه و اساس ساخت دوقلوهای دیجیتال (Digital Twins) شهرهاست.
• تحلیل دید و منظر: بررسی اینکه آیا ساخت یک برج جلوی دید سایر ساختمان‌ها را می‌گیرد یا خیر.
• مکان‌یابی دکل‌های مخابراتی (5G): امواج 5G به موانع فیزیکی حساس هستند؛ DSM نشان می‌دهد ساختمان‌ها کجا جلوی سیگنال را می‌گیرند.

2-4- محیط زیست و منابع طبیعی

• تخمین زیست‌توده (Biomass): با استفاده از تفاضل DSM و DTM، حجم درختان و میزان کربن ذخیره شده محاسبه می‌شود.
• مدیریت جنگل: پایش رشد درختان یا بررسی قطع غیرقانونی جنگل با مقایسه DSM در سال‌های مختلف.

3-4- مدیریت بحران و سیلاب

اگرچه برای مدل‌سازی جریان آب روی زمین از DTM استفاده می‌شود، اما DSM برای شناسایی موانع جریان (مانند ساختمان‌ها و دیوارهای حائل) ضروری است. آب از داخل ساختمان رد نمی‌شود، بلکه دور آن می‌گردد؛ بنابراین DSM واقعیت سیل در محیط شهری را بهتر نشان می‌دهد.

4-4- هوانوردی و ایمنی

• شناسایی موانع در مسیر پرواز هواپیماها و باند فرودگاه‌ها (مانند درختان بلند یا جرثقیل‌ها).

5- چالش‌ها و محدودیت‌ها

• نویز و آرتیفکت: در روش فتوگرامتری، سطوح بازتاب‌دهنده (مثل آب یا شیشه ساختمان‌ها) یا سطوح متحرک (مثل ماشین‌ها) می‌توانند باعث ایجاد نویز و حفره در DSM شوند.
• حجم داده: فایل‌های DSM با رزولوشن بالا (مثلاً ۵ سانتی‌متر) بسیار حجیم هستند و پردازش آنها نیازمند سخت‌افزار قدرتمند است.

6- نتیجه‌گیری

مدل رقومی سطح (DSM) چشم‌اندازی واقعی از جهان ما ارائه می‌دهد. در حالی که DTM زمین زیر پای ما را توصیف می‌کند، DSM محیطی را که در آن زندگی می‌کنیم—شامل خانه‌ها، جنگل‌ها و زیرساخت‌ها—به تصویر می‌کشد. برای هر متخصص GIS، درک تفاوت این مدل‌ها و نحوه استخراج اطلاعات از آنها (مانند ارتفاع ساختمان‌ها) یک مهارت کلیدی است.

درباره نویسنده:

فاطمه جعفری نوبخت، متخصص برجسته و پژوهشگر حوزه مهندسی محیط زیست، با رویکردی نوین دانش کلاسیک این رشته را با فناوری‌های پیشرفته هوش مصنوعی تلفیق کرده و به عنوان پیشگام در زمینه هوش مصنوعی مکانی (GeoAI) شناخته می‌شود. وی با تکیه بر مدرک کارشناسی ارشد مهندسی محیط زیست و درک عمیق از اکوسیستم‌ها، تخصص خود را فراتر از روش‌های سنتی گسترش داده و با ورود به دنیای داده‌ها، فعالیت‌های حرفه‌ای خود را بر کاربرد هوش مصنوعی در علوم محیط زیست متمرکز کرده است. او هم‌اکنون به عنوان مشاور ارشد علوم مکانی در محیط زیست و منابع طبیعی، با استفاده از الگوریتم‌های پیشرفته در پی راهکارهایی برای پایش دقیق، پیش‌بینی تغییرات اقلیمی و مدیریت بهینه منابع است. فاطمه جعفری با باور بنیادین به اینکه «مهم‌ترین توجه انسان‌ها باید به مقوله محیط زیست باشد»، تکنولوژی را ابزاری قدرتمند برای نجات زمین می‌داند و علاوه بر پروژه‌های استراتژیک، با برگزاری مستمر کارگاه‌های آموزشی در زمینه علوم مکانی و زمین، مشتاقانه به انتقال دانش و تربیت نسلی متخصص برای حفاظت از آینده محیط زیست می‌پردازد.