بخشی از مقاله
چکیده
امروزه به دست آوردن اطلاعات پوشش اراضی شهری، یکی از مهمترین ابزارهای مدیریت شهری است و کاربرد زیادی در بررسی تغییرات زمین دارد. طبقه بندی تصاویر، یکی از متداولترین روشهای استخراج اطلاعات از دادههای سنجش از دور است. وجود نواحی شهری پیچیده و متراکم یکی از مشکلات آنالیزهای سنجش از دور میباشد. دقت عملکرد طبقه بندی در این مناطق برای محققان مورد توجه بوده و همواره سعی در بهبود این دقت داشتهاند. با استفاده از تکنیک تلفیق دادههای مختلف و به کارگیری اطلاعات متنوع از عوارض میتوان به طبقه بندی دقیقتر با قابلیت اعتماد بالاتر دست یافت.
یکی از روشهای موفقیت آمیز طبقه بندی در سالهای اخیر، روش ماشینهای بردار پشتیبان بوده که از تئوری یادگیری آماری استخراج شده است. در این مقاله سعی بر آن است در مورد عملکرد الگوریتم ماشین بردار پشتیبان با استفاده از دادههای لیدار متراکم وتصویر هوایی با قدرت تفکیک بسیار بالا بحث شود. این طبقه بندی کننده بر روی سه دادهی مختلف اعمال میشود: - 1 تصویر هوایی - 2 دادهی لیدار - 3 تلفیق تصویر هوایی و دادهی لیدار. با تنظیم پارامترهای الگوریتم ماشین بردار پشتیبان - SVM1 - میتوان به بهترین عملکرد برای این الگوریتم دست یافت. نتایج نشان میدهد که ترکیب این دو داده، طبقه بندی بهتری را به دست میدهد. دقت طبقه بندی کنندهی ماشین بردار پشتیبان با استفاده از تلفیق دادهی لیدار وتصویر هوایی، 93/99 به دست آمد.
واژههای کلیدی: لیدار، تصویر هوایی، طبقه بندی، ماشینهای بردار پشتیبان، قدرت تفکیک مکانی بسیار بالا
-1 مقدمه
با گسترش جمعیت شهرها، طبقه بندی پوشش اراضی، تبدیل به یک موضوع مهم در مطالعات شهری شده است. اگرچه مطالعات شهری برای بیشتر محققان جالب میباشد، اما مناطق شهری به علت ترکیب انواع عوارض طبیعی و ساخت دست بشر که منجر به یک ارتباط اشتباه بین عوارض و طیفشان میشود، با پیچیدگیهای بسیاری همراه هستند و فرض اینکه استفاده از یک نوع سنجنده میتواند تمام اطلاعات برای ویژگیهای لازم را به دست آورد، بسیار خوشبینانه است. بنابراین بیشتر محققان سعی در ترکیب تصاویر به دست آمده از چند منبع مختلف دارند.[15] در سال 2011 ، Yang Ca و همکارانش با استفاده از تلفیق داده-های لیدار و تصویر هوایی با قدرت تفکیک مکانی 0/5 متر و با به کارگیری روشی بر پایهیFMRF1 توانستند به دقت طبقه بندی % 88/9 دست یابند.[14]
در سال 2012، Singh و همکارانش به بررسی میزان تأثیر لیدار در شناسایی کلاسهای کاربری شهری با استفاده از تلفیق دادههای لیدار و تصاویر لندست پرداختند. آنها با به کارگیری طبقه بندی کنندهی نظارت شدهی بیشترین شباهت نشان دادند دقت طبقه بندی به روش بیشترین شباهت با دادهی لیدار و TM2 یک متری، 32٪ نسبت به استفادهی مجزا از لیدار افزایش یافته است.[6] در سال 2012، Francisco Javier Mesas-Carrascosa و همکارانش، با تلفیق تصویر هوایی و دادهی لیدار با قدرت تفکیک مکانی 0/5 متر، و استفاده از روش بیشترین شباهت به منظور طبقه بندی، به دقت 92 دست یافتند.[4]
در سال 2013، Madhurima Bandyopadhyay و همکارانش با استفاده از تلفیق ابر نقاط لیدار و تصویر هوایی، پوشش گیاهی شهری و ساختمان را از یکدیگر تفکیک کردند. آنها با حد آستانه-گذاری روی ابر نقاط لیدار و قطعه بندی آن و استفاده از یک ماسک برای پوشش گیاهی، به دقت %85 برای طبقه بندی دست یافتند.[7]در روشهای انجام شده، از دادههای با توان تفکیک مکانی متوسط به منظور طبقه بندی استفاده کرده-اند، در حالیکه به نظر میرسد رزولوشنَ دادهها نقش به سزایی در بهبود عملکرد طبقه بندی کننده ایفا می-کند. با به کارگیری دادههای با رزولوشن بالاتر، شاید بتوان به نتایج بهتری دست یافت.
در این تحقیق، با استفاده از دادههای لیدار و تصویر هوایی با قدرت تفکیک مکانی بسیار بالا و به کارگیری روش طبقه بندی ماشین بردار پشتیبان، طبقه بندی عوارض یک منطقهی شهری پیچیده انجام شدهاست. با استفاده از دادههای لیدار با رزولوشن بالا، هندسهی خوبی برای تعیین ساختمانهای شهری ارائه میشود و با به کارگیری تصاویر هوایی با توان تفکیک بالا نیز اطلاعات طیفی و بافتی دقیقی در اختیار ما قرار داده میشود. بنابراین استفادهی همزمان این دو نوع داده، دقت طبقه بندی را بهبود میبخشد. دادههای لیدار میتوانند در شناسایی عوارض با مواد مشابه در ارتفاعات مختلف در مناطق شهری استفاده شوند.
از طرف دیگر، تصاویر هوایی میتوانند مرزهای دقیقی از ساختمان ارائه دهند. بنابراین ترکیب دادههای لیدار و تصاویر هوایی ویژگیهای بهتری را برای مطالعهی مناطق شهری ارائه میدهند.[15]در این تحقیق، 5 بخش وجود دارد. در بخش دوم، روش تحقیق که شامل فیلترینگ دادهی لیدار و استخراج ویژگیهای مختلف از دادههای لیدار و تصویر هوایی، انتخاب ویژگیهای بهینه از میان آنها و اجرای الگوریتم طبقه بندی ماشین بردار پشتیبان میباشد را بیان میکنیم، در بخش سوم منطقهی مورد مطالعه رامعرفی نموده و در بخش چهارم نیز، پیادهسازی و بحث در مورد نتایج تحقیق مطرح میشود. در نهایت، در بخش پنجم به بیان نتیجه گیری پرداخته میشود.
-2 روش تحقیق
در این مقاله، به منظور طبقه بندی عوارض شهری، ابتدا فیلترینگ دادههای لیدار با استفاده از الگوریتم Axelsson انجام خواهد شد.[10] در ادامه، ویژگیهای بافتی مختلف از دادههای لیدار و تصویر هوایی استخراج میگردد. با استفاده از الگوریتم ژنتیک، ویژگیهای بهینه و کارآمد در طبقه بندی، از میان این ویژگیها انتخاب شده و در نهایت، الگوریتم ماشین بردار پشتیبان - SVM - را به منظور طبقه بندی عوارض شهری، روی ویژگیهای بهینه اعمال میشود. با کمک روش جست و جوی شبکهایٌ و با تنظیم پارامترهای بهینه برای این الگوریتم، بهترین عملکرد برای الگوریتم ماشین بردار پشتیبان به دست خواهد آمد. روند کلی تحقیق در شکل 1 نشان داده شده است.
1؛-2 فیلترینگ دادههای لیدار
در تمام کاربردهای لیدار، فیلترینگ زمین، یک گام ضروری در تفکیک بازگشتهای زمینی و غیر زمینی است.[13] روشهای متعددی برای این منظور با توجه به شرایط محیطی مختلف استفاده شدهاند. از آنجاییکه منطقهی مورد مطالعهی ما، یک منطقهی شهری نسبتاً مسطح است، نتایج حاصل از مطالعات پیشین نشان میدهد که در محیط شهری، الگوریتم Axelsson به دقت بهتری نسبت به سایر الگوریتمهای فیلترینگ دست مییابد.[13] بنابراین به منظور تفکیک زمین از غیر زمین در منطقهی مورد مطالعه، الگوریتم Axelsson استفاده شدهاست. در این روش، یک شبکه مثلثی نامنظم و پراکنده از نقاط ایجاد میشود که اولین تخمین از زمین لخت میباشد. این شبکهی مثلثی در یک روند تکراری با اضافه نمودن نقاط از طریق حد آستانه گذاری، متراکم میگردد. این روند تا زمانی که تمام نقاط به عنوان زمین یا عارضه کلاسبندی شوند ادامه می-یابد.[10]در این مرحله، ورودی الگوریتم، مدل رقومی سطحٍ و خروجی آن، مدل رقومی نرمال شدهی سطح َ میباشد. این مدل از سطح، در مراحل بعدی برای استخراج ویژگیهای مورد نظر استفاده میشود.
2؛-2 استخراج ویژگی از دادههای لیدار و تصویر هوایی
