شناسایی تغییرات ساختمان ها بر مبنای تئوری منطق فازی و مبتنی بر یادگیری عمیق با استفاده از مدل رقومی سطح و تصاویر ارتوفتو

امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می­ کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش ­های متعددی برای شناسایی تغییرات با به کارگیری داده ­های سنجش از دوری توسعه داده شده ­اند و روش ­­های جدیدی در حال ظهور هستند. در بسیاری از روش­ های شناسایی عوارض زمینی، این عوارض با استفاده از پیش ­دانسته ­هایی از جمله ساختار، بافت، خصوصیات بازتابی و غیره شناسایی می­ شوند. هدف از این تحقیق ارایه روشی برای شناسایی تغییرات ساختمان­ ها در دو  منطقه شهری و در بازه ­های زمانی ۵ ساله و ۳ ساله می­ باشد. در این تحقیق با توجه نوع داده ­های مورد استفاده و مناطق مورد مطالعه و تراکم ساختمان ­های شهری، روش شیءمبنا برای طبقه­ بندی عوارض و شناسایی ساختمان­ ها استفاده شده ­است. این روش شیءگرا، قطعه ­بندی چندمقیاسه است که با استفاده از آن توصیف گرهای مناسب طیفی، بافتی و ساختاری استخراج و با استفاده از روش ­های فازی، طبقه ­بندی می­ شوند و پس از طبقه ­بندی در دو اپک و استخراج ساختمان­ های حاصل از طبقه­ بندی، تغییرات ارتفاعی آنها محاسبه می­ شود. روش­ های شناسایی این تغییرات بر مبنای روش مبتنی بر یادگیری عمیق است و ارزیابی آن با استفاده از روش تفاضل DSM می ­باشد. در روش تفاضل  DSM با استفاده از یک حدآستانه ارتفاعی تغییرات شناسایی می ­شوند، سپس در روش مبتنی بر یادگیری عمیق با استفاده از یک شبکه عصبی کانولوشن بار دیگر با در اختیار داشتن مشخصه­ های ارتفاعی و داده­ های واقعیت ­زمین  ایجادشده از شناسایی تغییرات در حالت تفاضلی، این تغییرات ارتفاعی آشکار می­ شوند و با تغییرات شناسایی­ شده در روش تفاضلی ارزیابی می­ شوند. نتایج آزمون­ ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراکم ساختمان ­های موجود، حدود ۹۶% ساختمان­ ها از تصاویر هوایی در گام اول شناسایی و استخراج شدند. همچنین در گام دوم شناسایی تغییرات ساختمانی به روش شبکه عصبی با صحت کلی ۹۰% انجام شده است.

کلیدواژه ها:

قطعه بندی چندمقیاسه ، خوشه بندی فازی ، یادگیری عمیق ، شبکه های عصبی کانولوشن