استخراج عوارض طبيعي و انسان ساخت مناطق شهري با استفاده از داده¬های لیزر اسکن هوابرد

نویسندگان

1 گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، تهران. *(مسوول مکاتبات)

2 دانشجوی کارشناسی ارشد سنجش از دور و GIS، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

doi
چکیده

زمینه و هدف: استخراج نیمه­خودکار و خودکار ساختمان­ها، درختان و جاده­ها از داده­های لیزر اسکنر (ابرنقطه) یک نیاز اساسی در تامین سریع و دقیق اطلاعات مکانی و مورد توجه بسیاری از محققین حوزه فتوگرامتری و سنجش­از­دور است. طبقه­بندی عوارض زمینی از عکس­های هوایی و ماهواره­ای دارای سابقه طولانی در فتوگرامتری و سنجش از دور می­باشد. اما طبقه­بندی عوارض زمینی از ابرنقاط لیزر اسکن هوایی در چند سال اخیر مورد توجه محققان قرار گرفته است. هدف این تحقیق بررسی و مقایسه قابلیت­ها و نقاط ضعف طبقه­بندی کننده­های مختلف برای طبقه­بندی عوارض با استفاده از داده­های سامانه لیزر اسکن هوابرد PEGASUS می‌باشد. روش بررسی : بسته نرم­افزاری برای این هدف برنامه­نویسی و ارائه شد. نرم­افزار ارائه شده بدین صورت است که ابتدا باید داده­ها وارد نرم­افزار شده و سپس توصیفگرهای مورد نظر بر روی داده­ها تولید گردد. در ادامه، کاربر به جمع­آوری داده­های آموزشی به‌منظور آموزش طبقه­بندی­کننده خواهد پرداخت. در این مرحله کاربر طبقه­بندی کننده مورد نظر خود را انتخاب و فرآیند طبقه­بندی عوارض زمینی انجام خواهد پذیرفت. در انتها امکان برآورد ماتریس­های خطا توسط کاربر، بررسی نتایج و نیز اخذ خروجی فراهم شده است. یافته‌ها: نتایج بدست آمده از کارکرد مناسب برخی از فضاهای ویژگی تولیدی در طبقه­بندی نظارت‌شده در منطقه مورد مطالعه کاربر خواهد داشت. اما  لزوماً استفاده از تمام فضاهای ویژگی در فرآیند طبقه­بندی نتایج با دقت و صحت بالایی را به همراه نخواهد داشت. بحث و نتیجه گیری: نتایج به‌دست‌آمده نشان داد، بسته­ نرم­افزاری ارائه شده از قابلیت بالایی در طبقه­بندی عوارض برخوردار است. همچنین نتایج بدست آمده از کارکرد مناسب روش طبقه­بندی از کارکرد بهتر طبقه­بندی کننده نظارت شده، پیاده سازی شده در این بسته نرم افزار در قیاس با روش مبتنی بر نرم­افزار تراسالید در اکثر مناطق تست حکایت دارد. لذا استفاده از روش­های طبقه­بندی مبتنی بر الگوریتم­های نظارت شده برای طبقه­بندی داده­های ابرنقطه توصیه می­گردد.