بخشی از مقاله
چکیده
امروزه الگوریتمهای یادگیری ماشین در موضوع طبقهبندی به موفقیتهای چشمگیری دست یافته و مقاالت زیادی در این زمینه منتشر گردیده است. در این مقاله روشهای یادگیری ماشین برای طبقه بندی تغییرات ساختمانها مورد توجه قرار گرفته است. مهمترین مراحل این روش، آموزش مدل و یادگیری ، استخراج ویژگی و برچسب گذاری ساختمانها از نظر تغییر یافتگی می باشد که در قالب یک ساختار طبقه بندی نظارت شده و با استفاده از روشهای یادگیری ماشین آموزش دیده و اجرا می گردند.
در این تحقیق از قابلیت تولید ابرنقطه رنگی و مدل رقومی سطح از تصاویر هوائی استرئو استفاده 1 گردیده و با بکارگیری اختالف دو مدل رقومی سطح DDSM2 در دو بازه زمانی، ضمن حذف درختان با استفاده از شاخص NDVI و فیلتر اطالعات داخل معابر، با استخراج ویژگیهای رادیومتریک و ارتفاعی، 3 از الگوریتم های SVM و جنگل تصادفی برای طبقه بندی تغییرات ساختمانها استفاده گردیده است و سپس این تغییرات در سه گروه شامل ساختمانهای بازسازی شده، دارای تغییرات ارتفاعی و جدیداالحداث، دسته بندی میشود.
-1 مقدمه
با توجه به اینکه تشخیص دقیق، جامع و سریع تغییرات، بویژه در مناطق شهری که بیشترین رشد تغییرات بافت مسکونی و ساخت و سازهای غیرمجاز را دارند، بصورت بصری و دستی مستلزم صرف هزینه و زمان زیادی می باشد، همچنین با توجه به وجود تصاویر هوائی رقومی با قدرت تفکیک باال برای بسیاری از شهرها، در این تحقیق استخراج تغییرات بصورت اتوماتیک از تصاویر هوائی استرئو و ابرنقطه رنگی، با هدف شناسایی تغییرات ساختمانها مانند ساخت و سازهای حاشیه شهرها، خسارات ناشی از سیل و زلزله مورد مطالعه قرار گرفته است.
دراین مقاله، از الگوریتمهای یادگیری ماشین به منظور تولید اتوماتیک نقشه تغییرات ساختمانها با استفاده از اطالعات رادیومتریک تصاویر هوائی و اطالعات ارتفاعی حاصل از فتوگرامتری رقومی ارائه شده است.درروش پیشنهادی، طبقهبندی تغییرات ساختمانها از الگوریتمهای یادگیری ماشین از جمله ماشینُبردار پشتیبان و جنگل تصادفی استفاده گردیده نسبت به بررسی طبقه بندی تغییرات ساختمانها اقدام می گردد.
در ادامه این مقاله، پس از مروری بر تحقیقات انجام شده، در زمینه تهیه نقشه تغییرات ساختمانها ، جزئیات الگوریتم های SVM و RF بررسی گردیده، سپس مراحل روش پیشنهادی توضیح و نتایج بدست آمده ارائه خواهد شد. مطالعات و تحقیقات زیادی به منظور استفاده از دادههای هوائی و ماهواره ای به منظور شناسایی اتوماتیک ساختمان-های تخریب شده ارائه شده است. به عنوان مثال، در تحقیق [1] با استفاده از نقشه قبل از زلزله و داده لیدار بعد از زلزله از روش طبقهبندی داده لیدار بروش ماشین بردار پشتیبان برای شناسایی ساختمانهای تخریب شده استفاده نموده و به تعیین ساختمانهای تخریبشده پس از زلزله پرداخت.
همچنین در تحقیق [2] با استفاده از جفت تصاویر استریو آیکونوس قبل و بعد از وقوع زلزله، به دو روش جهت تهیه نقشه تخریب اقدام کرده است. در تحقیق دیگری، [3] با استفاده از نقشه قبل از زلزله و استخراج عوارض طیفی و رادیومتریک از تصاویر ماهوارهای، به تعیین ساختمانهای تخریب شده در بم پرداخته است. [4] با به کار بردن تصاویر ماهوارهای ماهواره ای با قدرت تفکیک باال، قبل و بعد از زلزله در بم نقشه تخریب ساختمانها پس از زلزله را بدست آورده است. در این روش، برای برآورد میزان تخریب ساختمانها از سیستم استنتاج فازی و بر مبنای اطالعات ساختاری و آنالیز شکل ساختمانها ساختمانهای تخریب شده تشخیص داده شدند.
با توجه به اینکه در این تحقیق استخراج تغییرات با استفاده از طبقه بندی نتایج حاصل از اختالف دو سطح رقومی زمین در دو بازه زمانی و تلفیق ان با انجام میگیرد، روشهای یادگیری ماشین برای طبقه بندی این نتایج مفید می باشد. امروزه الگوریتمهای یادگیری ماشین بویژه روش های نظارت شده برای طبقه بندی اطالعات کارائی زیادی پیدا کرده است. [5]
الگوریتمها و مدلهاي بسیاري در تحقیقات یادگیري ماشین به منظور مسائل طبقه بندي مناسب در دسترس است. ولی تعداد اندکی از آنها براي طبقه بندي داده هاي با حجم باال مناسب هستند. الگور یتمهاي یادگیري ماشین برحسب نوع آموزش به یه دسته یادگیري نظارت شده، نظارت نشده و یادگیری تقویتی تقسیم بندي میشوند.
یکی از الگوریتمهای طبقه بندی نظارت شده، روش SVM می باشد [6] که برای طبقه بندی ابر نقاط حاصل از داده های لیدار استفاده شده است [7] و در تحقیقی دیگر از این روش برای طبقه بندی ساختمانها و پوشش گیاهی استفاده شده است [8] .برای حل این مشکل معموال از روش CRF برای پاالیش نتایج حاصل از طبقه بدی استفاده می گردد.
برای مثال [9] و [10] از CCN عمیق برای طبقه بندی پیکسل ها استفاده نموده است و سپس با بکارگیریCRF نتایج را پاالیش نموده است. در حالیکه [11] ابتدا نقاط سه بعدی را با استفاده از RF طبقه بندی نموده و سپس آنها را با CRF هموار نموده است. این تحقیق شامل سه مرحله آماده سازی اطالعات، پیاده سازی الگوریتم و تجزیه و تحلیل نتایج میباشد.
- 2 آماده سازی داده ها
در این بخش ضمن معرفی داده های مورد استفاده در تحقیق ، به نحوه آماده سازی که شامل انجام توجیهات ، استخراج DSM ، آماده سازی پایگاه داده مکانی و پایگاه داده کاداستر اشاره میگردد.
-2-1 دادهها و منطقه مورد مطالعه
منطقه مورد مطالعه در این تحقیق، بخشی از منطقه جنوب شرقی شهر مشهد است که در آن از تصاویر هوایی رقومی در دو بازه زمانی پنج ساله برای بدست آوردن تغییرات استفاده شده است. این تصاویر مربوط به سالهای 1390 و 1395 قسمتی از شهر مشهد با قدرت تفکیک 10 سانتیمتر می باشد.
– 2-2 تشکیل مدل سه بعدی و استخراج DSM
در این مرحله ابتدا با معرفی دوربین عکسبرداری هوائی رقومی توجیهات برای تصاویر رقومی هر دو سال با استفاده از اطالعات GPS/IMU انجام گردید. با اجرای6 این عملیات هر دو زوج تصویر مربوط به دو بازه زمانی برای استخراج مدل رقومی سطح آماده میگردند. برای تولید ارتوفتو و ابرنقطه مناطق مورد مطالعه از نرم افزار Inpho استفاده گردیده است.
ماژول تولید مدل رقومی زمین DSM در این نرم افزار روی دو زوج تصویر آماده سازی شده اجرا میگردد. تعیین پارامترهای مربوط به این بخش نرم افزار با تعریف الگوریتم شهری و استفاده از مدل رقومی ماهواره ای Pleiades بعنوان مقادیر اولیه ارتفاعی انجام میگیرد. در اینجا می توان از هر مدل رقومی دیگر مانند SRTM برای این منظور استفاده نمود ولی استفاده از مدل رقومی دقیقتر به سرعت و دقت همگرائی الگوریتم کمک مینماید.
– 2-3 انطباق دو مدل رقومی سطح 7
در این قسمت دو مدل رقومی سطح که در مرحله قبل تولید گردید، از نظر موقعیت سه بعدی با یکدیگر مقایسه شد و به این نتیجه رسیدیم که دو مدل رقومی نسبت به یکدیگر در راستای x و y دارای جابجائی جزئی م یباند که برای رسیدن به دقت باالتر ضروریست موقعیت موقعیت دو مدل رقومی نسبت به یکدیگر بهبود یابد.[7 ]
– 2-4 اختالف گیری از دو مدل رقومی سطح DDSM
بعد از انطباق دو مدل رقومی سطح و حذف جابجائی بین دو مدل رقومی سطح ، برای استخراج تغییرات سه بعدی ساختمانها باید اختالف ارتفاع ساختمانها در دو بازه زمانی مورد تجزیه و تحلیل قرار گیرد. برای این هدف ابتدا از دو مدل رقومی سطح تولید شده در قسمت قبل اختالف گرفته میشود و نتیجه بعنوان DDSM ذخیره و نمایش داده میشود. DDSM بدست آمده یک مدل رقومی دارای تغییرات ارتفاعیست که شامل همه عوارض روی سطح زمین میباشد و باید عوارض دیگر همچون پوشش گیاهی را از آن حذف کرده تا آماده آنالیزهای بعدی شود.
- 2-5 اعمال فیلتر ارتفاعی بر روی DDSM
با توجه به اینکه هدف از استخراج DDSM استخراج تغییرات ارتفاعی ساختمان میباشد، لذا بخشهائی از این اختالف ارتفاع مورد توجه میباشد که معنی دار باشد به عبارت دیگر اختالف ارتفاعهای کوچک ممکن است بر اثر خطاها و یا عوارض موقت مانند وسایط نقلیه باشد بنابراین باید DDSM بدست آمده را با تعریف یک فیلتر ارتفاعی مناسب بهینه نمود. با توجه به اینکه محدوده ارتفاعی DDSM بین -20 تا +16 متر میباشد ، این محدوده ارتفاعی را میتوان به سه قسمت عمده شامل مقادیر -20 تا -2/5 متر و بازه -2/5 تا +2/5 متر و +2/5 تا 16 متر در نظر گرفت.
مقادیر قسمت اول که دارای فراوانی کمتری میباشد، متعلق به مکانهائیست که قبال دارای ساختمان بوده و تخریب شده و یا تغییر ارتفاعی بدلیل خاکبرداری یا خاکریزی بوده است. نمونه ای از این مناطق در شکل 1 نشان داده شده است. مقادیر قسمت دوم که تغییرات بین -2/5 تا +2/5 متر میباشد، بعضا بدلیل نویز در استخراج DSM بوده و یا عمدتا در معابر بدلیل تغییرات ارتفاعی سطح زمین مانند روکش آسفالت و یا تسطیح معابر و در بخشهای ساختمانی مربوط به نیم طبقه ها و یا تغییرات در خرپشته میباشد. در این تحقیق از بررسی این قسمت مقادیر DDSM صرفنظر گردیده است. قسمت سوم DDSM که بیشترین فراوانی را داشته و هدف اصلی این تحقیق میباشد مقادیر بیشتر از+2/5 متر میباشد. انتخاب عدد 2/5 بدلیل اینست که کمترین ارتفاع برای یک ساختمان میباشد.
