بررسی جامع بر روی روش‌های طبقه‌بندی غیرپارامتریک به منظور تفکیک عوارض شهری با استفاده از تلفیق داده‌های لایدار و تصویر هوایی با توان تفکیک مکانی بسیار بالا

امروزه به دست آوردن اطلاعات پوشش اراضی شهری، یکی از مهم ترین ابزارهای مدیریت شهری است و کاربرد زیادی در بررسی تغییرات زمین دارد. طبقه بندی تصاویر، یکی از متداول ترین روش های استخراج اطلاعات از داده های سنجش از دور است. وجود نواحی شهری پیچیده و متراکم یکی از مشکلات آنالیزهای سنجش از دور می باشد. دقت عملکرد طبقه بندی در این مناطق برای محققان مورد توجه بوده و همواره سعی در بهبود این دقت داشته اند. با استفاده از تکنیک تلفیق داده های مختلف و به کارگیری اطلاعات متنوع از عوارض می توان به طبقه بندی دقیق تر با قابلیت اعتماد بالاتر دست یافت. از جمله روشهای موفقیت آمیز طبقه بندی در سال های اخیر، می توان به الگوریتم های ماشین بردار پشتیبان و الگوریتم های یادگیری دسته جمعی مانند بگینگ، بوستینگ و جنگل تصادفی اشاره کرد. در این مقاله در مورد عملکرد این چهار الگوریتم برای شناسایی عوارض شهری با استفاده از نقاط متراکم لایدار و تصویر هوایی با قدرت تفکیک بسیار بالا بحث شده است. در این تحقیق از سه شیوه بر اساس طبقه بندی داده لایدار و تصویر هوایی به تنهایی و تلفیق هر دو داده استفاده شده است. نتایج نشان می دهد که ترکیب داده لایدار و تصویر هوایی، طبقه بندی بهتری را از عوارض شهری به دست می دهد. در نهایت طبقه بندی عوارض شهری با کمک تلفیق داده های لایدار و تصویر هوایی و با استفاده از الگوریتم ماشین های بردار پشتیبان با دقت 99/93٪، توانایی بالاتری نسبت به سایر روش های طبقه بندی مورد استفاده مانند بگینگ، بوستینگ و جنگل تصادفی دارد.