استخراج اتوماتيك عوارض شهري از داده‌هاي رقومي با قدرت تفكيك خيلي بالا با استفاده از مدل شبكه عصبي عميق (مطالعه موردي: شهر اهواز)

رشد و پيشرفت مداوم در شهرسازي و تغييرات سريع در سطح زمين، نياز به بررسي مداوم اين تغييرات را افزايش داده است. سنجش از دور را مي توان يكي از مناسب ترين روش ها براي دستيابي به اين هدف دانست.استفاده از روش هاي يادگيري عميق جهت استخراج عوارض از تصاوير يك روش مرسوم در تهيه نقشه هاي پوشش زمين مي باشد زيرا قابليت تحليل مفاهيم انتزاعي سطح بالا بوسيله آن فراهم مي گردد. با اين اقدام علاوه بر به حداقل رساندن نقش انسان در توليد اطلاعات، باعث كاهش زمان و هزينه مي گردد. اين تحقيق به بررسي استفاده مشترك از باندهاي نوري (RGB) و مدل رقومي سطح (nDSM) براي تجزيه و تحليل يك صحنه شهري مي پردازد تا توسط آنها عوارض مهم شهري شامل ساختمان، فضاي سبز، زمين باير و راه از تصوير را استخراج نمايد. از بين معماري هاي متنوع يادگيري عميق، مدل UNet با توجه به ارائه نتايج با دقت بالاتر، به عنوان مدل اصلي تحقيق برگزيده شد. همچنين از مدل VGG-16 براي بهره گيري از تكنيك يادگيري انتقالي، به عنوان پيش شبكه استفاده شد. آموزش اين شبكه يكبار با سه باند تصاوير هوايي (RGB) و در حالت ديگر با تلفيق باندهاي تصاوير با مدل رقومي سطح (RGB+nDSM) صورت گرفت تا نتايج بدست آمده مورد مقايسه قرار گيرند و بهترين روش براي استخراج عوارض شهري معرفي گردد. نتايج نشان دادند كه مدل VGG-16+UNet، استخراج كلاس ها را در حضور مدل رقومي سطح با صحت كلي بالاتري (88.14 %) نسبت به اجراي مدل با باندهاي تصوير هوايي (76.34 %) انجام داده است. همچنين با توجه به اين نتايج مشخص گرديد كه الگوريتم مورد استفاده اين پژوهش و معماري آن مي تواند در تهيه نقشه هاي شهري و كشف تغييرات موثر واقع شود.