مقایسه توانایی طبقه‌بندی‌کننده‌های ماشین‌‌بردار پشتیبان، شبکه عصبی و حداکثر احتمال در بهبود نتایج الگوریتم‌های فیلترینگ داده‌های لیدار

بررسی‌های اخیر نشان داده است که سیستم لیدار در برداشت سریع و دقیق اطلاعات سه‌بعدی از عوارض، در مناطق شهری توانایی بالایی دارد. از مهم‌ترین پردازش‌هایی که روی داده‌های لیدار صورت می‌گیرد، فیلترینگ آن‌هاست که عبارت است از تفکیک نقاط مربوط به عوارض ارتفاعی (ساختمان‌ها و درختان) از نقاط زمینی. تاکنون الگوریتم‌های فیلترینگ فراوانی طراحی شده است، اما هر یک از آن‌ها معایب و نواقصی دارند. مشکل اساسی این الگوریتم‌ها، ناتوانی‌شان در حذف ساختمان و عوارض بزرگ است که ناشی از عملکرد ناحیه‌ای آن‌هاست. در این تحقیق تلاش شده است تا با بهره‌گیری از قابلیت‌های تکنیک‌های طبقه‌بندی، راه‌حلی برای این مشکل ارائه شود. در این پژوهش ابتدا داده‌های لیدار به‌وسیله الگوریتم شیب‌مبنا که ـ از شناخته‌شده‌ترین روش‌های فیلترینگ به‌شمار می‌آید‌‌ـ فیلتر شدند. در ادامه، با استفاده از سه ‌روش طبقه‌بندی ماشین‌ بردار پشتیبان، شبکه عصبی مصنوعی،‌ و حداکثر احتمال، داده‌های لیدار به پنج کلاس راه آسفالته، درختان، ساختمان، سیمان، و چمن طبقه‌بندی گردیدند. در نهایت، نقاط ساختمان‌های بزرگ که به‌وسیله الگوریتم شیب‌مبنا فیلتر نشده بودند، با نتایج حاصل از روش‌های طبقه‌بندی حذف گردیدند. ارزیابی‌ها نشان می‌دهند که روش حداکثر احتمال نتایج ضعیفی را ارائه می‌کند، اما روش‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی نتایج نزدیک به‌هم و بسیار خوبی را عرضه کرده‌اند. به‌طور کلی استفاده از این تکنیک‌های طبقه‌بندی برای بهبود نتایج الگوریتم‌های فیلترینگ، باعث افزایش ناچیزی در خطای نوع اول می‌گردد ولی سبب کاهشی شدید در خطای نوع دوم و خطای مجموع می‌شود. از آنجا که در فرایند فیلترینگ داده‌های لیدار، اهمیت خطاهای نوع دوم و مجموع بیش از خطای نوع اول است، می‌توان ادعا کرد که انجام این پردازش تکمیلی نتایج بسیار مفیدی را دربرداشته است. ارزیابی کمّی دقت نتایج‌ نشان می‌دهد که خروجی الگوریتم با آستانه شیب o20 پس از بهبود داده شدن با استفاده از خروجی طبقه‌بندی‌کننده شبکه عصبی مصنوعی، بهترین نتیجه را به دست داده است که در آن خطای نوع اول از 98/4 درصد به 04/5 درصد افزایش ولی خطاهای نوع دوم و مجموع به‌ترتیب از 043/9 درصد و 03/7 درصد به 49/4 درصد و 76/4 درصد کاهش یافته‌اند.