استخراج ساختمان به کمک ادغام داده‌های ابرطیفی و لیدار به روش یادگیری ماشین

در این مقاله، پژوهشی نوین از تلفیق داده‌های ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه داده‌هایی که بنیاد ملی علوم (nsf) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(ncalm)  تاسیس کرده است) و پیش‌تر، دانشگاه هیوستن در منطقه مجاور شهری به‌کار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق داده‌های فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگی‌های عوارض ساختمانی را دارد، می‌توان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی داده‌های ابرطیفی تصویرِ سطح‌بندی‌شده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطح‌بندی، روش پیشنهادی و دیگر روش‌های موجود در این زمینه مقایسه می‌شوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسه‌ای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. به‌هرحال، دقت به‌دست‌آمده از نتایج روش انجام‌گرفته در این مقاله برابر با 95.56%، میزان کامل‌بودن 100%، صحت کلی 98.66% و ضریب کاپا برابر با 0.9430 محاسبه شد. هدف این مقاله استخراج خودکار ساختمان‌های موجود در داده‌های ابرطیفی هوایی و لیدار دریافت‌شده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمان‌های موجود در تصاویر نام‌برده‌شده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شده‌اند.