استخراج اتوماتیک عوارض شهری از داده‌های رقومی با قدرت تفکیک خیلی بالا با استفاده از مدل شبکه عصبی عمیق (مطالعه موردی: شهر اهواز)

رشد و پیشرفت مداوم در شهرسازی و تغییرات سریع در سطح زمین، نیاز به بررسی مداوم این تغییرات را افزایش داده است. سنجش از دور را می توان یکی از مناسب ترین روش ها برای دستیابی به این هدف دانست.استفاده از روش های یادگیری عمیق جهت استخراج عوارض از تصاویر یک روش مرسوم در تهیه نقشه های پوشش زمین می باشد زیرا قابلیت تحلیل مفاهیم انتزاعی سطح بالا بوسیله آن فراهم می گردد. با این اقدام علاوه بر به حداقل رساندن نقش انسان در تولید اطلاعات، باعث کاهش زمان و هزینه می گردد. این تحقیق به بررسی استفاده مشترک از باندهای نوری (rgb) و مدل رقومی سطح (ndsm) برای تجزیه و تحلیل یک صحنه شهری می پردازد تا توسط آنها عوارض مهم شهری شامل ساختمان، فضای سبز، زمین بایر و راه از تصویر را استخراج نماید. از بین معماری های متنوع یادگیری عمیق، مدل unet با توجه به ارائه نتایج با دقت بالاتر، به عنوان مدل اصلی تحقیق برگزیده شد. همچنین از مدل vgg-16 برای بهره گیری از تکنیک یادگیری انتقالی، به عنوان پیش شبکه استفاده شد. آموزش این شبکه یکبار با سه باند تصاویر هوایی (rgb) و در حالت دیگر با تلفیق باندهای تصاویر با مدل رقومی سطح (rgb+ndsm) صورت گرفت تا نتایج بدست آمده مورد مقایسه قرار گیرند و بهترین روش برای استخراج عوارض شهری معرفی گردد. نتایج نشان دادند که مدل vgg-16+unet، استخراج کلاس ها را در حضور مدل رقومی سطح با صحت کلی بالاتری (88.14 %) نسبت به اجرای مدل با باندهای تصویر هوایی (76.34 %) انجام داده است. همچنین با توجه به این نتایج مشخص گردید که الگوریتم مورد استفاده این پژوهش و معماری آن می تواند در تهیه نقشه های شهری و کشف تغییرات موثر واقع شود.

automatic extraction of urban features from very high-resolution digital data using deep neural networks: a case study of ahvaz city

continuous growth and development in urban planning, along with rapid changes on the ground, have increased the need for continuous examination of these changes. remote sensing could be considered as one of the most suitable methods to achieve this goal. utilizing deep learning methods to extract features from images is a common method in producing land cover maps because it enables the analysis of high-level abstract concepts. this not only minimizes human involvement in information production but also reduces time and costs. in this research, suitable training samples were prepared for automatically extracting urban features such as buildings, green spaces, bare land, and roads. among various architectures of deep learning, the unet model was chosen as the main model of the study due to its higher accuracy in results. additionally, the vgg-16 model was used as the backbone for transfer learning technique. training this network was performed once with three-band aerial images (rgb) and in another state by combining image bands with digital surface models (rgb+ndsm) to compare the results and introduce the best method for extracting urban features. the results showed that the vgg-16+unet model performed class extraction with higher overall accuracy (88.14%) in the presence of a digital surface model compared to running the model with aerial image bands (76.34%). furthermore, based on these results, it was evident that the algorithm used in this research and its architecture can be effective in preparing urban maps and detecting significant changes.