این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سنجش از دور و Gis ایران، جلد ۱۰، شماره ۲، صفحات ۰-۰
عنوان فارسی استخراج ساختمان به کمک ادغام داده‌های ابرطیفی و لیدار به روش یادگیری ماشین
چکیده فارسی مقاله  در این مقاله، پژوهشی نوین از تلفیق داده‌های ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه داده‌هایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM)  تأسیس کرده است) و پیش‌تر، دانشگاه هیوستن در منطقه مجاور شهری به‌کار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق داده‌های فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگی‌های عوارض ساختمانی را دارد، می‌توان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی داده‌های ابرطیفی تصویرِ سطح‌بندی‌شده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطح‌بندی، روش پیشنهادی و دیگر روش‌های موجود در این زمینه مقایسه می‌شوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسه‌ای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. به‌هرحال، دقت به‌دست‌آمده از نتایج روش انجام‌گرفته در این مقاله برابر با 56/95%، میزان کامل‌بودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمان‌های موجود در داده‌های ابرطیفی هوایی و لیدار دریافت‌شده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمان‌های موجود در تصاویر نام‌برده‌شده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شده‌اند.
کلیدواژه‌های فارسی مقاله لیدار، تصاویر ابرطیفی، عوارض ساختمانی، یادگیری ماشین، روش درخت تصمیم،
عنوان انگلیسی Building Extraction from Fused Hyperspectral and LiDAR Data using Machine Learning Technique
چکیده انگلیسی مقاله In this study, the fusion of hyperspectral and LiDAR data was used to propose a new method to detectbuildings using the machine learning algorithm. The data sets provided by the National ScienceFoundation (NSF) - funded by Centre for Airborne Laser Mapping (NCALM)- over the University ofHouston campus and the neighboring urban area, were used. The objectives of this study were: 1)automatic buildings extracting using the hyperspectral and LiDAR fused data (automation), 2)detecting of the maximum number of listed buildings on the study area (completeness), and 3)achieving the high accuracy in building detection throughout the classification procedure (accuracyand precision). After classification of the buildings, a comparison was made between the resultsobtained by the proposed method and the reference method in this field. Our proposed methodshowed a better accuracy for buildings detection in a much shorter time compared to the referencemethod. The accuracy of the classification was assessed by four parameters of Precision,Completeness, Overall Accuracy and Kappa Coefficient, and the values of 96%, 100%, 99% and 0.94were obtained, respectively.
کلیدواژه‌های انگلیسی مقاله لیدار, تصاویر ابرطیفی, عوارض ساختمانی, یادگیری ماشین, روش درخت تصمیم
نویسندگان مقاله سیدیوسف سجادی |


سعید پارسیان |


نشانی اینترنتی http://gisj.sbu.ac.ir/article/download/20599/7418
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/911/article-911-891920.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات