تلفیق آنالیزهای شیءگرا و پیکسل مبنا به‌منظور شناسایی درختان و ساختمان‌ها در مناطق شهری از داده‌های لایدار و نوری

شناسایی عوارض شهری مهم مانند ساختمان و درخت از تصاویر هوایی و ماهواره ای به همراه داده های لایدار توجه محققان سنجش ازدور و فتوگرامتری را در چند دهه اخیر به خود متوجه ساخته است. روش های طبقه بندی و شناسایی مختلف به منظور استفاده در مناطق شهری با مشکلات پیچیده ای مانند شناسایی ساختمان و درخت های کوچک، مرز نامناسب تاج درختان، وجود سقف هایی از ساختمان ها با پوشش گیاهی، ساختمان ها محصورشده توسط درختان و پوشش های گیاهی قرارگرفته در سایه، مواجه هستند. در این تحقیق جهت بهبود مشکلات ذکر شده در مرحله اول پیش پردازش داده های لایدار، تولید مدل رقومی زمینی و مدل رقومی سطح نرمال شده انجام گردیده است؛ در مرحله دوم ویژگی های هندسی، طیفی، بافتی و ترکیبی متناسب با نوع مشکلات ذکر شده تولید و با استفاده از الگوریتم svm_ga ویژگی های مناسب انتخاب گردیده است. از میان ویژگی ها تولیدی شاخص طیفی ترکیب یافته پوشش گیاهی با مناطق سایه و ویژگی های هندسی تولیدشده از داده های لایدار جهت شناسایی درختان نقش بسزایی بازی می کنند. در مرحله سوم طبقه بندی ماشین بردار پشتیبان در دو سطح شیءگرا و پیکسل مبنا با استفاده از ویژگی ها منتخب و مناسب با استفاده از روش svm_ga به منظور شناسایی عوارض شهری ازجمله درخت و ساختمان های شهری استفاده گردیده است. در مرحله چهارم نتایج هریک از دو سطح طبقه بندی با استفاده از روش های پس پردازش بهبود داده شده اند. در مرحله پنجم با توجه به قدرت هر سطح از طبقه بندی در شناسایی عوارض سعی در بهبود شناسایی مرز ساختمان ها، درختان و شناسایی ساختمان ها و درختان کوچک و کم ارتفاع را با استفاده از تلفیق نتایج آن ها را داریم و درنهایت نتایج حاصله از شناسایی در هر سطح و هر مرحله با داده های مرجع مقایسه و ارزیابی شده است که شناسایی ساختمان ها و درختان در سطح شیءگرا به ترتیب دارای صحت شناسایی 0.961 و 0.65 و دقت کلی 0.97 و 0.943 هستند. در سطح پیکسل مبنا دارای صحت شناسایی 0.953 و 0.632، دقت کلی 0.961 و 0.94 و بعد از تلفیق دارای صحت شناسایی0.971 و 0.718 و دقت کلی 0.975 و 0.957 می باشند. نتایج نشان می دهد که تلفیق دو سطح از طبقه بندی شیءگرا و پیکسل مبنا باعث بهبود نتایج شناسایی به ویژه در شناسایی ساختمان ها و درختان کوچک و کم ارتفاع می گردد. نتایج این روش با توجه به بهبود شناسایی های انجام شده در مرز ساختمان ها و شناسایی عوارض کوچک تاثیر مثبتی را می تواند در استخراج عوارض داشته باشد.