دسته بندی | عمران و ساختمان |
فرمت فایل | docx |
حجم فایل | 16234 کیلو بایت |
تعداد صفحات فایل | 106 |
بررسی روش جنگل تصادفی جهت بهبود طبقهبندی پوشش اراضی شهری با استفاده از تصاویر ماهوارهای
طبقهبندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیطهای فیزیکی و استفاده در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش بهروز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از دادههای سنجش از دور به طور فزایندهای در میان بسیاری از جوامع احساس میشود. با پیشرفتهای اخیر در داده، فنآوری، و نظریههای سنجش از دور، ضرورت این امر بیشتر نیز میشود. پیشرفت سنجندههای جدید، پتانسیل بالایی برای طبقهبندی شهری را نشان میدهد. با این وجود، عملکرد روشهای طبقهبندی مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روشهای جدیدتر برای رفع این محدودیتها بیشتر احساس میشود. از طرف دیگر، روشهای جدید در بازشناسی الگو همانند جنگل تصادفی (RF[1])، به عنوان یک الگوریتم یادگیری ماشینی جدید، توجه بسیاری را در زمینه طبقهبندی تصویر و بازشناسی الگو به خود جلب کرده است. چندین تحقیق نیز مزایای RF در طبقهبندی کاربری اراضی را نشان داده است. با این حال، تعداد کمی از این تحقیقات در زمینه شهری و استفاده از تصاویر ماهوارهای جدید و لیدار تمرکز داشته است. در این تحقیق یک صحنه شهری با روشی جدید مبتنی بر تلفیق روش شیگرا و طبقهبندی RF برای بهبود طبقهبندی پیشنهاد شده و مورد بررسی قرار گرفته است. برای مقایسه، روشهای طبقهبندی مرسوم نیز انجام شده است. در طبقهبندی پیکسل-مبنا با الگوریتمهای مختلف طبقهبندی، RF بالاترین دقت کلی را در حدود 82%، و در طبقهبندی شی-مبنا SVM بالاترین دقت کلی را در حدود 79% و RF دقت 77% را تولید کرد. در طبقهبندی ویژگیهای شی-مبنا برای اشیا حاصل از قطعهبندی یک سطح با روش پیشنهادی دقت کلی الگوریتم RF از 75% به 76%، دقت کلی الگوریتم SVM[2] از 75% به 78%، دقت کلی شبکه عصبی از 70% به 75% و دقت کلی الگوریتم بیشینه شباهت از 44% به 77% ارتقا داده شد. بنابراین نتایج این تحقیق نشان میدهد که روش پیشنهادی میتواند عملکرد طبقهبندی را از نظر دقت و سرعت بهبود بخشد.
[1] Random Forests
[2] Support Vector Machine