بررسي جامع بر روي روش‌هاي طبقه‌بندي غيرپارامتريك به منظور تفكيك عوارض شهري با استفاده از تلفيق داده‌هاي لايدار و تصوير هوايي با توان تفكيك مكاني بسيار بالا

Comprehensive investigation on non-parametric classification methods in order to separate urban objects using the integration of very high spatial resolution LiDAR and aerial data

امروزه به دست آوردن اطلاعات پوشش اراضي شهري، يكي از مهم‌ترين ابزارهاي مديريت شهري است و كاربرد زيادي در بررسي تغييرات زمين دارد. طبقه‌بندي تصاوير، يكي از متداول ترين روش‌هاي استخراج اطلاعات از داده‌هاي سنجش از دور است. وجود نواحي شهري پيچيده و متراكم يكي از مشكلات آناليزهاي سنجش از دور مي باشد. دقت عملكرد طبقه‌بندي در اين مناطق براي محققان مورد توجه بوده و همواره سعي در بهبود اين دقت داشته اند. با استفاده از تكنيك تلفيق داده هاي مختلف و به كارگيري اطلاعات متنوع از عوارض مي‌توان به طبقه‌بندي دقيق‌تر با قابليت اعتماد بالاتر دست يافت. از جمله روش-هاي موفقيت آميز طبقه‌بندي در سال‌هاي اخير، مي‌توان به الگوريتم‌هاي ماشين‌ بردار پشتيبان و الگوريتم‌هاي يادگيري دسته جمعي مانند بگينگ، بوستينگ و جنگل تصادفي اشاره كرد. در اين مقاله در مورد عملكرد اين چهار الگوريتم براي شناسايي عوارض شهري با استفاده از نقاط متراكم لايدار و تصوير هوايي با قدرت تفكيك بسيار بالا بحث شده است. در اين تحقيق از سه شيوه بر اساس طبقه‌بندي داده لايدار و تصوير هوايي به تنهايي و تلفيق هر دو داده استفاده شده‌است. نتايج نشان مي‌دهد كه تركيب داده لايدار و تصوير هوايي، طبقه‌بندي بهتري را از عوارض شهري به‌دست مي‌دهد. در نهايت طبقه‌بندي عوارض شهري با كمك تلفيق داده‌هاي لايدار و تصوير هوايي و با استفاده از الگوريتم ماشين‌هاي بردار پشتيبان با دقت 99/93٪، توانايي بالاتري نسبت به ساير روش هاي طبقه‌بندي مورد استفاده مانند بگينگ، بوستينگ و جنگل تصادفي دارد.

Nowadays, to obtain information covering urban land, the city is one of the most important and widely used management tools in the study of Earth changes. Classification of images is one of the most common methods of extracting information from remote sensing data. Complex and dense urban areas are one of the problems in the analysis of remote sensing. The accuracy of classification performance in these areas is under the attention of the researchers and always tries to improve the accuracy. Using different data and application integration techniques to classify a variety of effects can be more accurate-achieved with higher reliability. Among the successful classification methods in recent years, support vector machines algorithm and ensemble learning algorithms such as Bagging, Boosting and Random Forest noted can be mentioned. In this paper, the performance of the four algorithms to identify the effects of the dense city with a very high resolution aerial LIDAR and image are discussed. The results show that the combination of LIDAR data and aerial image, gives out a better classification of the degree of urban features. The classification of urban features with the help of integrated LIDAR and aerial image information with the use of support vector machine algorithm-precision 93.99% performs higher ability than other classification methods such as Bagging, Boosting and Random Forest.