شناسايي تغييرات ساختمان ها بر مبناي تئوري منطق فازي و مبتني بر يادگيري عميق با استفاده از مدل رقومي سطح و تصاوير ارتوفتو

امروزه به روزرساني اطلاعات در مناطق شهري اهميت بالايي دارد، زيرا اين اطلاعات، اساس بسياري از كاربردها را فراهم مي كند كه شامل مطالعات تغييرات پوشش اراضي و مطالعات محيطي است. روش هاي متعددي براي شناسايي تغييرات با به كارگيري داده هاي سنجش از دوري توسعه داده شده اند و روش هاي جديدي در حال ظهور هستند. در بسياري از روش هاي شناسايي عوارض زميني، اين عوارض با استفاده از پيش دانسته هايي از جمله ساختار، بافت، خصوصيات بازتابي و غيره شناسايي مي شوند. هدف از اين تحقيق ارايه روشي براي شناسايي تغييرات ساختمان ها در دو  منطقه شهري و در بازه هاي زماني 5 ساله و 3 ساله مي باشد. در اين تحقيق با توجه نوع داده هاي مورد استفاده و مناطق مورد مطالعه و تراكم ساختمان هاي شهري، روش شيءمبنا براي طبقه بندي عوارض و شناسايي ساختمان ها استفاده شده است. اين روش شيءگرا، قطعه بندي چندمقياسه است كه با استفاده از آن توصيف گرهاي مناسب طيفي، بافتي و ساختاري استخراج و با استفاده از روش هاي فازي، طبقه بندي مي شوند و پس از طبقه بندي در دو اپك و استخراج ساختمان هاي حاصل از طبقه بندي، تغييرات ارتفاعي آنها محاسبه مي شود. روش هاي شناسايي اين تغييرات بر مبناي روش مبتني بر يادگيري عميق است و ارزيابي آن با استفاده از روش تفاضل DSM مي باشد. در روش تفاضل  DSM با استفاده از يك حدآستانه ارتفاعي تغييرات شناسايي مي شوند، سپس در روش مبتني بر يادگيري عميق با استفاده از يك شبكه عصبي كانولوشن بار ديگر با در اختيار داشتن مشخصه هاي ارتفاعي و داده هاي واقعيت زمين  ايجادشده از شناسايي تغييرات در حالت تفاضلي، اين تغييرات ارتفاعي آشكار مي شوند و با تغييرات شناسايي شده در روش تفاضلي ارزيابي مي شوند. نتايج آزمون ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراكم ساختمان هاي موجود، حدود 96% ساختمان ها از تصاوير هوايي در گام اول شناسايي و استخراج شدند. همچنين در گام دوم شناسايي تغييرات ساختماني به روش شبكه عصبي با صحت كلي 90% انجام شده است.