پویا احمدی؛ طیبه مناقبی؛ حمید عبادی؛ بهنام اصغری بیرامی
چکیده
با توسعه علم سنجش از دور، استفاده از تصاویر هایپراسپکترال روز به روز گسترده تر می شود. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. در دو دهه گذشته، تعداد زیادی روش ها برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است که در پژوهش حاضر از ساختاری مبتنی بر یادگیری شبکه‌های کپسول برای طبقهبندی تصاویر ...
بیشتر
با توسعه علم سنجش از دور، استفاده از تصاویر هایپراسپکترال روز به روز گسترده تر می شود. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. در دو دهه گذشته، تعداد زیادی روش ها برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است که در پژوهش حاضر از ساختاری مبتنی بر یادگیری شبکه‌های کپسول برای طبقهبندی تصاویر ابر طیفی استفاده شده است، به گونه‌ای که ساختار شبکه بتواند با استفاده از یک لایه کانوولوشنی و یک لایه کپسول بهترین حالت تولید ویژگی‌ها را داشته باشد و در عین حال از بیش‌برازش شبکه بر روی نمونه‌های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگیهای تولیدی در ساختار پیشنهادی دارد. در راستای بهبود دقت طبقه-بندی، رویکرد استخراج ویژگی از طریق شبکه‌ی طراحی‌شده و طبقهبندی توسط الگوریتم درخت تقویتی XGBoost، با روش طبقهبندی توسط شبکه‌ی عمیق سراسری مقایسه شد تا علاوه بر بررسی و کیفیت‌سنجی ویژگیهای عمیق برداری تولیدی توسط روش پیشنهادی در طبقه بندی کننده‌های مختلف، میزان توانایی شبکه‌های عمیق سراسری نیز در کاربرد طبقهبندی مورد بررسی قرار گیرد. رویکرد کپسول پیشنهادی شامل 3 لایه اساسی: 1) Prime caps که کپسول‌هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2 ،2) Digitcaps دارای10 کپسول 16 بعدی و3)لایه تماما متصل می باشد. که نتایج حاصل از بررسی دو رویکرد برای شبکه‌ی عمیق و نیز ترکیب شبکه‌های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکرد های نظیر SVM, RF-200, LSTM, GRU و GRU-Pretanh برای مقایسه ی رویکرد پیشنهادی براساس پیکربندی هایی که در تحقیقات ان ها اشاره شده بود در نظر گرفته شدند. برای ارزیابی مدل پیشنهادی همچنین مجموعه داده ی Indian Pines که شامل 16 کلاس مختلف می باشد مورد استفاده قرار گرفت. با استفاده از روش پیشنهادی ترکیبی، طبقهبندی تصاویر با دقت 99 درصد بر روی‌داده‌های آموزش و دقت 5/97 درصد بر روی‌داده‌های تست انجام می‌شود.
نجمه ستاری؛ ملیحه عرفانی؛ فاطمه جهانی شکیب
چکیده
بررسی روند رشد شهرها و پیش‌بینی تغییرات آنها در آینده جهت برنامه‌ریزی‌های فضایی ضروری است. به این منظور نیاز به نقشه‌سازی پهنه‌های ساخت و ساز شده است. در بسیاری از مناطق خصوصاً در اقلیم خشک تفکیک مناطق ساخت و ساز شده از محیط اطراف به سادگی و با روش‌های معمول طبقهبندی تصاویر ماهوارهای و یا نمایه‌های متداول با دقت قابل ...
بیشتر
بررسی روند رشد شهرها و پیش‌بینی تغییرات آنها در آینده جهت برنامه‌ریزی‌های فضایی ضروری است. به این منظور نیاز به نقشه‌سازی پهنه‌های ساخت و ساز شده است. در بسیاری از مناطق خصوصاً در اقلیم خشک تفکیک مناطق ساخت و ساز شده از محیط اطراف به سادگی و با روش‌های معمول طبقهبندی تصاویر ماهوارهای و یا نمایه‌های متداول با دقت قابل قبول امکان‌پذیر نیست. از این رو بسیاری از پژوهشگران نمایه‌های طیفی مختلفی را جهت استخراج مناطق ساخت و ساز شده توسعه داده‌اند. استفاده از تغییرات دمای سطح زمین جهت نشان‌دادن مناطق ساخت و ساز شده به‌کمک الگوریتم زون‌های اقلیمی محلی (LCZ) کمتر مورد توجه بوده و روش نسبتاً جدیدی محسوب می‌شود. لذا در این مقاله تفکیک مناطق ساخت و ساز شده از سایر انواع پوشش اراضی پیرامونی آن با استفاده از الگوریتم LCZ انجام شد. با توجه به عدم محدودیت تعداد باند در این روش از چهار سری از تصاویر ماهوارهای لندست مربوط به سال 2020 استفاده شد و صحت آن با جدیدترین نمایه‌های ساخت و ساز شده (DBI، BLFEI، BAEI و BAEM) که به‌صورت خودکار طبقهبندی شده‌اند، مورد مقایسه قرار گرفت. نتایج این مطالعه نشان داد که صحت طبقهبندی ناشی از الگوریتم LCZ 96% است، حال آنکه نمایه‌های BLFEI و BAEM قادر به تفکیک کامل مناطق ساخت و ساز شده از سایر انواع پوشش اراضی نبوده و صحت کلی نمایه BAEI نیز 37% به دست آمد. بنابراین استفاده از روش LCZ کارایی بالایی نسبت به نمایه‌های ساخت و ساز شده دارد و برای مناطق خشک و نیمه‌خشک توصیه می‌شود.
مینا حمیدی؛ حمید عبادی؛ عباس کیانی
چکیده
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق‌تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به‌دلیل جزئیات بسیار، دارای واریانس درون‌کلاسی زیاد و واریانس بین‌کلاسی اندک‌اند؛ ازاین‌رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش‌برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان‌بر ...
بیشتر
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق‌تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به‌دلیل جزئیات بسیار، دارای واریانس درون‌کلاسی زیاد و واریانس بین‌کلاسی اندک‌اند؛ ازاین‌رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش‌برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان‌بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی‌شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم‌های اتوماتیک است؛ به‌صورتی‌که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنة تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه‌مبنای تصویر که به مورفولوژی صحنة تصویر حساس است، به‌ویژه در مطالعه‌ای شهری که تراکم ساختارهای شکل‌گرفته به‌دست انسان بالاست، ممکن است کارآمد باشد. در طبقهبندی عارضه‌مبنا، پیکسل‌های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می‌شوند؛ در نتیجه، فضای مسئله به‌نسبت طبقهبندی پیکسل‌مبنا کاهش می‌یابد و مزیت این امر افزایش سرعت محاسبات است. درعین‌حال به‌دلیل اندازة متنوع اشیای تصویری، طبقهبندی نظارت‌شدة عارضه‌مبنا در ایجاد مجموعة آموزشی بهینه با چالش‌هایی مواجه است. در تحقیق حاضر، به‌منظور طبقهبندی عارضه‌مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه‌های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگیهای طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعة آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به‌منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی‌ها (افزونگی) و همبستگی بین ویژگی‌ها و کلاسها (مطابقت)، زیرمجموعة ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه دادة استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقهبندی پیکسل‌مبنا مقایسه شده است. به‌منظور بررسی معنی‌داری اختلاف‌های حاصل‌شده در نتایج ارزیابی‌ها نیز، آزمون آماری مک‌نمار به‌کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه‌مبنای پیشنهادی، در قیاس با رویکرد پیکسل‌مبنا، به‌طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه‌مبنای پیشنهادی، در مقایسه با رویکرد پیکسل‌مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینة رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.
علیرضا طاهری دهکردی؛ محمدجواد ولدان زوج؛ علیرضا صفدری نژاد
چکیده
تهیة نقشة اراضی کشاورزی یکی از لایه‌های اطلاعاتی مورد نیاز در مدیریت این زمین‌ها محسوب می‌شود. چنین نقشه‌هایی امکان پایش مستمر زمین‌های کشاورزی را در طول دورة کشت، فراهم می‌کنند. در این مطالعه، راهکاری به‌منظور تولید نقشة اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سری‌زمانی شاخص‌های مستخرج از ...
بیشتر
تهیة نقشة اراضی کشاورزی یکی از لایه‌های اطلاعاتی مورد نیاز در مدیریت این زمین‌ها محسوب می‌شود. چنین نقشه‌هایی امکان پایش مستمر زمین‌های کشاورزی را در طول دورة کشت، فراهم می‌کنند. در این مطالعه، راهکاری به‌منظور تولید نقشة اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سری‌زمانی شاخص‌های مستخرج از تصاویر سنتینل‌ـ 2 داده شده است. ازآن‌جا‌که استفاده از منابع دادة حجیم یکی از موانع بهبود روش‌های مبتنی‌بر سری زمانی تصاویر ماهوارهای به‌شمار می‌رود، در این پژوهش از بستر پردازشی گوگل ارث انجین استفاده شده است. روش مطرح‌شده برمبنای تلفیق نتایج طبقهبندی نظارت‌شدة پیکسل‌مبنا با نتایج قطعهبندی عمل می‌کند؛ به‌نحوی‌که ابتدا داده‌های آموزشی طبقهبندی نظارت‌شده، طی یک فرایند پالایشی سخت‌گیرانه، بدون نیاز به عملیات میدانی فراهم می‌شوند. سپس با محاسبة تفکیک‌پذیری دو کلاس هدف در سری زمانی هر شاخص، شاخص‌های بهینه انتخاب می‌شود. در نهایت، با تلفیق نتایج روش‌های قطعهبندی و طبقهبندی براساس آرای به‌دست‌آمده از نتایج طبقهبندی، به هر قطعة تصویری کلاس زراعی یا غیرزراعی نسبت داده می‌شود. این اقدام، علاوه‌بر دخالت‌دادن اطلاعات مکانی اعم از لبه‌ها و مجاورت‌های مکانی، توانسته است نویز و نتایج متخلخل طبقهبندی پیکسل‌مبنا را بهبود بخشد و دقت کلی نقشة نهایی را از 7/90 به 05/96 افزایش دهد. همچنین دقت کاربر دو کلاس زراعی و غیرزراعی به‌ترتیب 27/3 و 97/7% بهبود را نشان می‌دهند.
محمدرضا گیلی؛ داود عاشورلو؛ حسین عقیقی؛ علی اکبر متکان؛ علیرضا شکیبا
چکیده
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم‌زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان‌های دورة کشت و کمبود داده‌های زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالش‌برانگیز مبدل می‌کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته‌ترین ویژگی ...
بیشتر
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم‌زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان‌های دورة کشت و کمبود داده‌های زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالش‌برانگیز مبدل می‌کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته‌ترین ویژگی پوششهای گیاهی ازجمله محصولات کشاورزی است که میتوان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخص‌های گیاهی انجام می‌شود که اطلاعات بسیار مفیدی از توالی ویژگیهای فنولوژیک محصولات کشاورزی در اختیار ما قرار می‌دهد. استفاده از روش‌های یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری‌ها می‌تواند، در طبقهبندی محصولات کشاورزی و کاهش وابستگی به داده‌های زمینی، مفید باشد. شبکةLong-Short Term Memory (LSTM) یکی از انواع شبکه‌های عصبی بازگشتی در تجزیه و تحلیل داده‌های متوالی است که توانایی یادگیری توالی‌های بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبة شاخص NDVI از باندهای ماهوارة سنتینل‌ـ 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیة متفاوت در دشت مغان در نظر گرفته شد که محصولات کشت‌شده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیة اول، شبکة کانولوشنی LSTM برای طبقهبندی محصولات آموزش دید و در ناحیة دیگر، کارآیی این شبکة آموزش‌دیده در طبقهبندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 به‌دست آمد. افزایش تعداد نمونه‌های زمینی و انتخاب مرز دقیق محصولات، می‌تواند کارایی روش مورد استفاده را افزایش دهد.
علی خدمت زاده؛ میرنجف موسوی؛ حجت محمدی ترکمانی
چکیده
رشد جمعیت شهرنشین با افزایش فضاهای شهری و به‌طورکلی، با رشد اندازة شهرها همراه بوده است. این امر به‌صورت ساخت‌وساز بیشتر و تغییر اراضی موجود به‌نفع فضاهای ساخته‌شده بروز می‌یابد. موقعیت خاص شهر ارومیه در مجاورت دریاچة ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامه‌ریزی صحیح کاربری اراضی را، در این شهر، ناگزیر می‌کند. ...
بیشتر
رشد جمعیت شهرنشین با افزایش فضاهای شهری و به‌طورکلی، با رشد اندازة شهرها همراه بوده است. این امر به‌صورت ساخت‌وساز بیشتر و تغییر اراضی موجود به‌نفع فضاهای ساخته‌شده بروز می‌یابد. موقعیت خاص شهر ارومیه در مجاورت دریاچة ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامه‌ریزی صحیح کاربری اراضی را، در این شهر، ناگزیر می‌کند. یکی از ابزارهای مورد نیاز برای برنامه‌ریزی مناسب، در این زمینه، بهره‌گیری از تکنیک‌های سنجش از دور است. پژوهش حاضر با هدف ارزیابی این تغییرات (دورة 2015-1989) و پیش‌بینی روند آتی آن صورت گرفته است. از روش‌های SVM و شبکة عصبی برای ارزیابی تغییرات در پنج کلاس استفاده شده است. ضریب تعیین (0.73) و منحنی راک (82.55%) نیز بیانگر دقت بالای مدل شبکة عصبی برای پیش‌بینی تغییرات گسترش شهری‌اند. با توجه به دقت بالای این مدل، که می‌تواند نتایج واقعی‌تری ارائه دهد، از نتایج این نوع طبقهبندی در پیش‌بینی تغییرات برای افق 2045 استفاده شده است. اراضی ساخته‌شده در سال 1989 برابر با 7469.1 هکتار بوده که در سال 2002 و 2015، به‌ترتیب، به 9217.3 و 9436.9 هکتار رسیده است. در سال 2045، براساس مدل پیش‌بینی شبکة عصبی، برابر با 22449.6 هکتار خواهد بود که 13012.7 هکتار افزایش را در اراضی ساخته‌شده نشان می‌دهد. نتایج حاصل گویای این است که تمامی این ساخت‌وسازها برمبنای نیاز واقعی شهر نبوده و پدیدة اسپرال (گستردگی شهری) اتفاق افتاده است.
عباس کیانی؛ حمید عبادی؛ حکمت الله خانلو
دوره 10، شماره 4 ، اردیبهشت 1397، ، صفحه 27-54
چکیده
طبقهبندی پوشش اراضی در تصاویر سنجش‌ازدور، یکی از پرکاربردترین روش‌های استخراج اطلاعات مکانی است که می‌تواند با تولید کلاسهای تصویری عوارض سطح زمین به‌منظور اتوماسیون و تسریع در جهت رفع نیازهای اساسی برای در اختیار داشتن اطلاعات مکانی بهنگام از منابع، با هدف مدیریت، ساماندهی و بهره‌برداری از محیط مفید واقع شود. به دلیل مشابهت ...
بیشتر
طبقهبندی پوشش اراضی در تصاویر سنجش‌ازدور، یکی از پرکاربردترین روش‌های استخراج اطلاعات مکانی است که می‌تواند با تولید کلاسهای تصویری عوارض سطح زمین به‌منظور اتوماسیون و تسریع در جهت رفع نیازهای اساسی برای در اختیار داشتن اطلاعات مکانی بهنگام از منابع، با هدف مدیریت، ساماندهی و بهره‌برداری از محیط مفید واقع شود. به دلیل مشابهت رفتار پیکسلها، طبقهبندی تصاویر هوایی در مناطق پیچیده و متراکم شهری، صرفاً با استفاده از اطلاعات طیفی و بافتی منجر به ناکارآمدی طبقهبندی می‌شود. به عبارتی در طبقهبندی رایج، عمدتا با استفاده از خصوصیات طیف و ویژگیهای پیکسل‌های تصویر، به شناسایی عوارض و کلاسها پرداخته می‌شود. درصورتی‌که بتوان تطابق مکانی و مفهومی پیکسلها را نیز در نظر گرفت، به این ترتیب میتوان تمایز بیشتری بین کلاسهای تصویری قائل شد و فرآیند ماشینی را به تفسیر ذهنی و انسانی نزدیک کرده و بر کارایی سیستم افزود. تمرکز اصلی تحقیق حاضر، استفاده از مفاهیم سیستمهای خبره در طبقهبندی، به‌منظور آنالیز شئگرای تصاویر در سطوح مقیاس کلاسی است. به همین دلیل، با وارد نمودن قوانین دانش‌پایه به‌منظور کنترل هدفمند و قانونمندسازی روند توأمان قطعهبندی و تفسیر تصویر، با در نظر گرفتن ویژگیهای هندسی کلاسهای هدف، بهبود دقت را منجر شود. برای بررسی کارایی تکنیک پیشنهادی، ارزیابی و مقایسه روش پیشنهادی با چند روش دیگر بر روی تصاویر ماهوارهای IRS در منطقه شهری جزیره کیش صورت پذیرفته است. نتایج حاصل از این تحقیق، نشان می‌دهد ویژگیهای هندسی و مفهومی می‌توانند به‌عنوان منبع اطلاعاتی مکمل، سبب بهبود نتایج طبقهبندی در منطقه شهری با عوارض ناهمگون طیفی شوند. به‌طوریکه در بررسی مورد اشاره، صحت کلی و ضریب کاپا به ترتیب 8 درصد و 11/5 درصد افزایش پیدا کردهاند.
مهران دادجو؛ سید باقر فاطمی نصرآبادی
دوره 10، شماره 4 ، اردیبهشت 1397، ، صفحه 55-68
چکیده
ارزیابی دقت نتایج حاصل از طبقهبندی تصاویر ماهوارهای، بسیار حائز اهمیت است. تاکنون پارامترهای متعددی برای بیان دقت طبقهبندی تصاویر، مورد استفاده قرار گرفته‌اند. دو نمونه از متداول‌ترین پارامترها، ضریب کاپا[1] و دقت کلی [2]هستند. بعضی از محققان به این پارامترهای متداول ایراداتی وارد کرده و پارامترهای جدیدی ارائه کرده و معتقدند ...
بیشتر
ارزیابی دقت نتایج حاصل از طبقهبندی تصاویر ماهوارهای، بسیار حائز اهمیت است. تاکنون پارامترهای متعددی برای بیان دقت طبقهبندی تصاویر، مورد استفاده قرار گرفته‌اند. دو نمونه از متداول‌ترین پارامترها، ضریب کاپا[1] و دقت کلی [2]هستند. بعضی از محققان به این پارامترهای متداول ایراداتی وارد کرده و پارامترهای جدیدی ارائه کرده و معتقدند این پارامترها، معایب پارامترهای متداول را ندارند. در این تحقیق، رابطه دو مورد از این پارامترهای جدید ارزیابی دقت طبقهبندی با پارامترهای متداول مورد بررسی قرار گرفته است. این دو پارامتر مغایرت کمی[3] و مغایرت تخصیصی[4] نام گذاری شده‌اند که میزان عدم شباهت را گزارش می‌کنند. به منظور بررسی رفتار این دو پارامتر، روی 57 تصویر شامل سه دسته از تصاویر با قدرت تفکیک متوسط، قدرت تفکیک بالا و قدرت تفکیک خیلی بالا، طبقهبندی نظارت شده انجام شد. سپس ضریب کاپا و دقت کلی به عنوان پارامترهای متداول، و مغایرت کمی و مغایرت تخصیصی به عنوان پارامترهای جدید برای هر تصویر طبقه‌بندی‌شده، محاسبه شده و همبستگی مقادیر به دست آمده با یکدیگر بررسی شد. نتایج به دست آمده در این تحقیق نشان می‌دهند که میزان همبستگی بین این دو دسته پارامتر، بالا ولی در جهت منفی است؛ به عبارت دیگر با افزایش مقادیر یک دسته، مقادیر دسته دیگر کاهش می‌یابد. به این ترتیب، پارامترهای مغایرت، اطلاعات جدیدی را درباره نتایج طبقهبندی به کاربر ارائه نمی‌کنند، تنها و در صورتی که خطای طبقهبندی خواسته شود، میتوان از پارامترهای مغایرت نیز درکنار آنها استفاده نمود.[1] Kappa Coefficient[2] Overall Accuracy[3] Quantity Disagreement[4] Allocation Disagreement
فرزانه عقیقی؛ امید مهدی عبادتی؛ حسین عقیقی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 41-60
چکیده
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی‌های رایانه‌ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه‌بعدی‌سازی استفادة گسترده‌ای می‌شود. خوشه‌بندی و طبقهبندی نقاط ابری لیدار یکی از گام‌های اصلی برای رسیدن به مدلی سه‌بعدی به‌شمار می‌رود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روش‌های ...
بیشتر
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی‌های رایانه‌ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه‌بعدی‌سازی استفادة گسترده‌ای می‌شود. خوشه‌بندی و طبقهبندی نقاط ابری لیدار یکی از گام‌های اصلی برای رسیدن به مدلی سه‌بعدی به‌شمار می‌رود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روش‌های طبقهبندی Kاٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقهبندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین‌منظور، داده‌هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به‌کار رفته است. سپس همة ویژگیهای هندسی، مقادیر شدت ثبت‌شده از سوی لیدار، تصاویر هوایی و نیز ویژگیهای استخراج‌شدة مبتنی‌بر مقادیر ویژه را استخراج و به‌منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم‌ارتفاع، درخت و اتومبیل به‌کار برده است. برای محاسبة مقادیر ویژه به‌کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک‌های طبقهبندی به‌کاررفته در این تحقیق با استفاده از نقشه‌های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می‌دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه‌بندی‌هاست. همچنین، ساختار مکعبی پیشنهادی را میتوان، به‌خوبی ساختارهای کروی و استوانه‌ای، در استخراج ویژگیهای مبتنی‌بر مقادیر ویژه به‌کار برد.
علی‌اصغر تراهی؛ مرجان فیروزی‌نژاد؛ علی عبدالخانی
دوره 9، شماره 1 ، دی 1396، ، صفحه 49-62
چکیده
تهیة اطلاعات دقیق و به‌روز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را میتوان به‌آسانی و با صرف هزینه و زمان کمتر، از راه طبقهبندی داده‌های دورسنجی تهیه کرد. در این مطالعه به‌منظور ارزیابی عملکرد الگوریتم‌های ماشین‌بردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگل‌های ...
بیشتر
تهیة اطلاعات دقیق و به‌روز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را میتوان به‌آسانی و با صرف هزینه و زمان کمتر، از راه طبقهبندی داده‌های دورسنجی تهیه کرد. در این مطالعه به‌منظور ارزیابی عملکرد الگوریتم‌های ماشین‌بردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگل‌های رودخانه‌ای، از داده‌های ماهواره لندست 8 استفاده شد. برای این کار، پنجره‌ای از تصاویر چندطیفی سنجندة OLI جنگل‌های رودخانة مارون بهبهان، در استان خوزستان، انتخاب شد. پس از عملیات پیش‌پردازش، شامل رفع خطای رادیومتریک و تصحیح اتمسفریک، طبقهبندی تصاویر به‌روش نظارت‌شده و با استفاده از الگوریتم‌های حداکثر احتمال و ماشین بردار پشتیبان و با هفت کلاس کاربری جنگل، مرتع، کشاورزی، آیش، رودخانه، مسکونی و جاده، و همچنین سه کلاس کاربری جنگل، رودخانه و دیگر مناطق، روی مجموعة باندهای اصلی صورت پذیرفت. برای ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان، از سه گروه نمونة تعلیمی با تعداد 241، 141 و 41 نمونه و همچنین از چهار هستةخطی، چندجمله‌ای، شعاعی و حلقوی استفاده شد. نتایج حاصل نشان داد که تهیة نقشة طبقهبندی جنگل‌های رودخانه‌ای مارون و تفکیک کاربری‌ها با استفاده از تصاویر سنجندة OLI امکان‌پذیر است و بهترین نتیجه مربوط به طبقهبندی، با استفاده از الگوریتم - PolynomialSVM در باندهای اصلی سنجندة OLI و با سه کلاس کاربری و صحت کلی 24/99 و ضریب کاپای 97/0 است. همچنین مشخص شد که با کاهش تعداد کلاسها از هفت به سه، کاربری صحت طبقهبندی افزایش می‌یابد ولی با کاهش تعداد نمونه‌ها تا حد میانگین، تغییر محسوسی در کیفیت طبقهبندی رخ نمی‌دهد و در صورت کاهش زیاد تعداد نمونه‌ها، از صحت طبقهبندی نیز کاسته می‌شود.
یاسر انصاری؛ علی محمدزاده؛ محمودرضا صاحبی صاحبی؛ کوروش خوش‌‌الهام
دوره 8، شماره 3 ، تیر 1395، ، صفحه 11-24
چکیده
روش‌های اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهوارهای و داده‌های لیدار دارای کاربردهای بسیار وسیع و مهم مانند به‌روزرسانی نقشه‌ها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمه‌شهری به‌دست می‌آید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق داده‌های ...
بیشتر
روش‌های اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهوارهای و داده‌های لیدار دارای کاربردهای بسیار وسیع و مهم مانند به‌روزرسانی نقشه‌ها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمه‌شهری به‌دست می‌آید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق داده‌های لیدار و تصویر هوایی است. برای این منظور در مرحلۀ اول، انواع روش‌های شناسایی ساختمان (SVM1، MD2 و ANN3) در دو سطح پیکسل پایه و شیء مبنا بررسی و ارزیابی شد. نتایج حاصل از شناسایی حاکی از توانایی بالای روش SVM، در مقایسه با دیگر روش‌ها، در دو سطح پیکسل پایه و شیء مبناست که دقت کلی 95.9٪ و خطای نوع اول 6.2٪ و خطای نوع دوم 3.2٪ را نشان می‌دهد که در حالت پیکسل مبنا به‌منزلۀ روش منتخب شناسایی است. در مرحلۀ دوم، براساس روش منتخب شناسایی مرز دقیق ساختمان بازسازی می‌شود. بنابراین با استفاده از قطعهبندی برمبنای طیفی و هندسی، لبۀ هر ساختمان به‌صورت قطعات مجزا تفکیک شد. سپس لبه‌های هر ساختمان براساس معادلات کمترین مربعات بازسازی می‌شود. نتایج روش پیشنهادی استخراج ساختمان با دقت کلی 96.85٪، خطای نوع اول 5.9٪ و خطای نوع دوم 2.5٪ برای الگوریتم پیشنهادی استخراج است.
سمیه یعقوبی
دوره 6، شماره 2 ، آبان 1393
چکیده
آنالیز موفولوژی، با تمرکز بر آنالیز روابط مکانی بین پیکسل‌های همسایه، پردازش تصویر کامل‌تری را در مقایسه با آنالیزهایی که بر پایة اثر طیفی یک پیکسل تنها هستند، به‌دست می‌دهد. روش پیشنهادی در این مقاله با استفادة هم‌زمان از اطلاعات طیفی و اطلاعات مکانی حاصل از آنالیز مورفولوژی نتایج نهایی طبقهبندی را در تصاویر ابرطیفی بهبود ...
بیشتر
آنالیز موفولوژی، با تمرکز بر آنالیز روابط مکانی بین پیکسل‌های همسایه، پردازش تصویر کامل‌تری را در مقایسه با آنالیزهایی که بر پایة اثر طیفی یک پیکسل تنها هستند، به‌دست می‌دهد. روش پیشنهادی در این مقاله با استفادة هم‌زمان از اطلاعات طیفی و اطلاعات مکانی حاصل از آنالیز مورفولوژی نتایج نهایی طبقهبندی را در تصاویر ابرطیفی بهبود می‌بخشد. در این پژوهش ابتدا با استفاده از نمونه‌های آموزشی محدود، ویژگیهای منتخب اولیه استخراج شدند و پس از اعمال آنالیزهای مورفولوژی روی هر یک از آنها، پروفایل‌های مورفولوژی تشکیل شدند و از ترکیب این پروفایل‌ها، پروفایل مورفولوژی گسترده تولید شد. سپس پروفایل مورفولوژی گسترده‌شده با ویژگیهای منتخب اولیه ترکیب شد و مجدداً استخراج ویژگی نهایی صورت گرفت. ویژگیهای منتخب نهایی با استفاده از طبقه‌بندی‌کنندة ماشین بردار پشتیبان طبقهبندی شدند. سپس پس‌پردازش تصویر نهایی با استفاده از فیلتر رأی‌گیری اکثریت انجام شد. این روش، روی دادة شهری و نیمه‌شهری از سنجندة ROSIS تست شد. دقت طبقهبندی نهایی از 86/98 و 70/82 درصد در روش‌های معمولی به 36/99 و 75/95 درصد در روش پیشنهادی به‌ترتیب در تصویر منطقة شهری و نیمه‌شهری افزایش یافته است. کلیدواژهها: آنالیز مورفولوژی، ماشین‌بردار پشتیبان، استخراج ویژگی، طبقهبندی، رأی‌گیری اکثریت.
