استخراج تغییرات ساختمانها با بکارگیری الگوریتم های یادگیری ماشین Svm و جنگل تصادفی روی زوج عکس هوائی

کاربرد الگوریتم‌های یادگیری ماشین در طبقه‌بندی امروزه جایگاه ویژه ای داشته و مقالات زیادی در این زمینه منتشر گردیده است. در این مقاله الگوریتم های یادگیریِ svm و جنگل تصادفی ، در استخراج تغییرات ساختمانها مورد بررسی قرار گرفته است. مراحل پیاده سازی این الگوریتم‌ها شامل، استخراج ویژگی، آموزش مدل ها با استفاده از داده های آموزشی، و برچسب گذاری ساختمانها از نظر تغییر یافتگی می باشد که در قالب یک ساختار طبقه بندی نظارت شده پیاده سازی می‌گردد و این روشهای روی داده های آزمون اجرا گردیده و نتایج تجزیه و تحلیل می گردد. در این تحقیق از زوج تصویر هوائی منطقه مورد مطالعه در دو بازه زمانی استفاده گردیده است. ابتدا مدل رقومی سطح از دو سری تصاویر استرئو در قالب ابرنقطه رنگی تولید گردیده و ویژگی‌های رادیومتریک و ارتفاعی از آن استخراج می گردد. ویژگی های رادیومتریک استخراج شده شامل rgb-ir و شاخص ndvi و ویژگی های ارتفاعی شامل اختلاف دو مدل رقومی سطحddsm و ارتفاع نرمال شده ndsm می باشد. در نهایت الگوریتم های svm و جنگل تصادفی برای طبقه بندی تغییرات ساختمانها استفاده گردیده و سپس این تغییرات در سه گروه شامل ساختمان‌های بازسازی شده، دارای تغییرات ارتفاعی و جدیدالاحداث، دسته بندی می‌شود. نقشه تغییرات ساختمانها و طبقه بندی نوع تغییرات ساختمانها از نتایج این طرح می باشد. نتایج این تحقیق نشان دهنده موثر بودن استفاده از روشهای یادگیری ماشین بوده و بهبود دقت و صحت استخراج تغییرات در مناطق شهری را در برداشته است.