بخشی از مقاله
چکیده
درختان عنصر اصلی زیبایی یک شهر و عامل تاثیر گذار بر کنترل آلودگی های مناطق شهری هستند. مدیریت فضای سبز شهری و برنامه ریزی به منظور ارتقای سطح کیفیت آن در یک شهر مستلزم شناسایی درختان است. علم فتوگرامتری با در اختیار داشتن تصاویر ماهواره ای و هوایی با هزینه های کمتری نسبت به عملیات زمینی قادر به شناسایی درختان و جداسازی آن از سایر عوارض می باشد.
شناسایی و جداسازی درختان از سایر عوارض شهری در فتوگرامتری همواره با چالش هایی روبه رو بوده است. شباهت های طیفی درختان با سایه و سایر گیاهان و نیز شباهت ارتفاعی درختان با عوارضی نظیر ساختمان ها، سبب می شود که برای حصول نتیجه ی بهتر از تلفیق داده ی لیدار و اپتیک استفاده شود. طبقه بندی کننده ی موردمطالعه، درخت تصمیم فازی است.
ویژگی های استخراج شده در این تحقیق شامل ویژگی های هندسی،طیفی و بافت است که با مطالعه ی تحقیقات پیشین در این زمینه انتخاب شده اند. نتایج تحقیق نشان از افزایش حدودا 3/5درصدی دقت شناسایی درختان نسبت به طبقه بندی فازی در شرایط یکسان - ویژگی ها و توابع عضویت - دارد. درخت تصمیم فازی پیاده سازی شده در این تحقیق، 91/53 درصد از درختان موجود درمنطقه شهری مورد مطالعه را شناسایی کرده است که نسبت به روش های موجود بهبود نسبی را نشان می دهد.
-1 مقدمه
شناسایی درختان مناطق شهری در سال های اخیر به منظور مدیریت فضای سبز شهری مورد توجه قرار گرفته است. تحقیقات متعددی در زمینه ی طبقه بندی عوارض شهری انجام شده است که هدف تعدادی از این تحقیقات صرفا شناسایی درختان با دقت های بالا بوده است. داده ی اپتیک اطلاعات طیفی مفیدی را در اختیار دارد که برای جداسازی درختان از عوارضی نظیر ساختمان و جاده که شباهت طیفی کمی با درخت دارند سودمند است.
از سوی دیگر داده ی چند طیفی به دلیل شباهت طیفی بالا در دو عارضه ی درخت و علفزار قابلیت جداسازی این دو عارضه را به خوبی ندارد. همچنین عوامل متعددی در هنگام تصویر برداری می تواند کیفیت تصویر اپتیک را کاهش دهد که می توان به طور مثال به دو مورد اشاره کرد. -1زاویه ی عکسبرداری سبب ایجاد سایه می شود. -2 کاهش یا از بین رفتن اطلاعات سبب نقص در پارامترهای مشتق شده از مقادیر پیکسلی خواهد شد1] و [2 .استفاده از داده ی لیدار محدودیت های تصویر اپتیک را کاهش داده و با بهره گرفتن از ارتفاع می تواند کلاس درخت و علفزار را با دقت بیشتری جدا نماید.
مطالعه ی تحقیقات پیشین بیانگر این است که برای شناسایی درختان بیشتر از طبقه بندی فازی، ماشین بردار پشتیبان،درخت تصمیم سنتی و آستانه گذاری روی دو ویژگی مهم شاخص نرمال شده ی تفاوت پوشش گیاهی 1 - NDVI - و مدل رقومی نرمال شده ی سطح - NDSM - 2 استفاده شده است.درسال 2004 - کارانیا و همکاران - از ویژگی های داده ی لیدار و طیفی درطبقه بندی کننده ی بیز 3 به منظور شناسایی درختان از عوارض شهری استفاده نمودند . [3 ]
عملکرد این الگوریتم طبقه بندی وابسته به تعداد کافی داده ی آموزشی است. هرچه این تعداد بیشتر باشد دقت طبقه بندی کننده افزایش می یابد. در سال 2013 - هانگ و همکاران - در تحقیقی برای شناسایی درختان از سایر عوارض شهری از تلفیق داده های اپتیک و لیدار استفاده کرده اند. این طبقه بندی کننده که مبتنی بر قانون است از دو ویژگی NDVI - ویژگی طیفی - و - NDSMویژگی داده ی لیدار - استفاده کرده است 4] .[
از معایب این نوع طبقه بندی سخت، وابستگی کامل نتایج به آستانه های انتخاب شده می باشد.در سال 2016 - آلبرتو و همکاران - از طبقه بندی ماشین بردار پشتیبان - SVM - 4 برای طبقه بندی پوشش های گیاهی با تلفیق داده های لیدار و اپتیک استفاده نموده اند[5] .در همان سال - دوگون و همکاران - تحقیقی روی شناسایی درختان انجام دادند که از دو ویژگی NDSM و NDVI برای تشخیص درختان از سایر عوارض استفاده کردند.
سپس با ویژگی شاخص سایه 5 - SI - که تشخیص سایه را انجام می دهد بخش هایی که قبلا درخت طیقه بندی شده بودند ولی سایه هستند را حذف کرده است. این روش بسیار سریع است 6] .[درسال 2014 - حامدیان فر و همکاران - از طبقه بندی فازی استفاده کردند که نتایج آن حاکی از بهبود دقت فازی نسبت به SVM بوده است .[7] علی رغم مزیت های طبقه بندی کننده های فازی و درخت تصمیم، ضعف هایی در هر دو الگوریتم وجود دارد. در ادامه نقاط ضعف این دو طبقه بندی کننده بیان خواهد شد و الگوریتم تلفیقی درخت تصمیم فازی مورد بررسی و سپس ارزیابی قرار خواهد گرفت.
-2 مواد و روش ها
در این بخش به صورت اجمالی ویژگی های مورد استفاده در این تحقیق بیان شده و به ضعف های طبقه بندی فازی و درخت تصمیم سنتی اشاره خواهد شد و سپس توضیحاتی درباره ی درخت تصمیم فازی به عنوان الگوریتم پیشنهادی ارائه خواهد شد.
-2-1 استخراج ویژگی
تصاویر با رزولوشن مکانی بالا اطلاعات کامل تر مکانی عوارض را در اختیار قرار می دهند. از سوی دیگر اطلاعات طیفی در این تصاویر با چالش هایی همراه است. افزایش محدوده ی طیفی درون کلاسی و شباهت طیفی برون کلاسی عوارض، استفاده از داده هایی با رزولوشن بالا را با محدودیت هایی مواجه کرده است.[8] برای کاهش این محدودیت استفاده از ویژگی های بافتی در کنار ویژگی های طیفی توصیه می شود. با مطالعات انجام شده روی تحقیقاتی که در زمینه ی ویژگی های طیفی و هندسی درختان انجام گرفته است، برخی از ویژگی ها از میان ویژگی های متعدد مورد استفاده، به عنوان برترین ویژگی های جدا کننده ی درختان از سایر عوارض انتخاب شدند. این ویژگی ها عبارت اند از:
- میانگین باند قرمز: میانگین باند قرمز داده ی چند طیفی برای هر قطعه محاسبه می شود.
- میانگین باند مادون قرمز: میانگین باند مادون قرمز داده ی چند طیفی برای هر قطعه محاسبه می شود.
-میانگین ارتفاعی هر قطعه: ارتفاع حاصل از مدل رقومی ارتفاعی نرمال شده است که میانگین آن برای هر قطعه محاسبه می شود.
-شیب ماکزیمم برای هر قطعه: این ویژگی بیشترین تغییر ارتفاعی یک عارضه را مشخص می کند.
-واریانس ارتفاعی: پراکندگی ارتفاع یک قطعه را نسبت به میانگین ارتفاعی مشخص می نماید. واریانس ارتفاعی هر قطعه بر اساس معادله ی - 2 - تعیین می شود.
-واریانس طیفی - باند قرمز - : معادله ی - 3 - نحوه ی محاسبه ی واریانس طیفی را بیان می کند. واریانس طیفی میزان پراکندگی طیف یک قطعه نسبت به میانگین طیف آن قطعه است که برای هر باند به صورت مجزا محاسبه می شود.
