انتخاب ويژگي مبتني بر روش آدابوست به‌منظور طبقه‌بندي پوشش اراضي شهري در تصاوير با حد تفكيك مكاني بالا

ظهور تصاوير بزرگ‌مقياس هوايي و ماهواره‌اي، فرصت‌ها و امكانات فراواني در مديريت مؤثر و پايدار شهري ايجاد نموده است. اگرچه منابع جديد تصاوير سنجش‌ازدور با حد تفكيك مكاني بالا، اطلاعات با سطح جزئيات بيشتري فراهم مي‌كنند؛ اما استخراج اطلاعات پوشش زمين از اين منابع داده به دليل تنوع زياد طيفي و ناهمگوني در مواد سطحي، به يك فرآيند پيچيده‌تر تبديل شده است. يادگيري ماشين براي مقابله با مشكلاتي كه در آن دانش نظري ما ناقص است ولي تعداد داده‌ها و مشاهدات قابل‌توجهي وجود دارد، يك رويكرد تجربي مؤثر و ايده‌آل است. توسعه‌ي روش‌هاي يادگيري ماشين به‌صورت موازي با توسعه‌ي مفاهيم و الگوهاي جديد در سنجش‌ازدور همراه بوده است. بااين‌حال، تعداد اندكي از آن‌ها براي طبقه‌بندي‌ داده‌هاي با حجم بالا مناسب هستند. روش آدابوست، يكي از روش‌هاي مطرح يادگيري ماشين است كه مي‌تواند هنگام مواجهه با انبوه داده‌ها مفيد و كارآمد واقع شود. بر اين اساس، در تحقيق حاضر، يك رويكرد تركيبي جديد مبتني بر روش آدابوست به‌منظور كاهش ابعاد داده‌ها ارائه شده است. در اين تحقيق، الگوريتم آدابوست به‌عنوان ابزار انتخاب ويژگي در دو رويكرد تركيبي دانش‌پايه و جمعيت مبنا بكار رفته است. در اين تحقيق، براي استخراج ويژگي‌ها از تصاوير با حد تفكيك مكاني بالا، از روش مجموعه ويژگي شبه‌عميق استفاده شده است. روش پيشنهادي بر روي مجموعه داده استاندارد واهينگن اجرا و سپس نتايج حاصل از آن با روش RF مقايسه شده است. نتايج تجربي نشان دادند كه ويژگي‌هاي منتخب توسط آدابوست نسبت به روش RF، دقت‌هاي بالاتري حاصل مي‌كنند. همچنين مشاهده شد كه رويكرد تركيبي دانش‌پايه بدون افزودن هيچ‌گونه پيچيدگي و هزينه‌ي محاسباتي، نسبت به رويكرد جمعيت مبنا، هم ازنظر دقت و هم ازنظر سرعت محاسبات از عملكرد بهتري برخوردار است.