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

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 168

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SEPEHR-31-123_003

تاریخ نمایه سازی: 5 دی 1401

چکیده مقاله:

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:

نویسندگان

محسن عابدی

کارشناسی ارشد دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران

محمد سعادت سرشت

دانشیاردانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران

رضا شاه حسینی

استادیار دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • رشیدی،پ؛راستی،ح، ۱۳۹۶،شناسایی تغییرات ساختمان ها با استفاده از داده های ...
  • Duda, R. O., & Hart, P. E. (۱۹۷۳). Pattern Classification ...
  • LeCun, Y., Bottou, L., Bengio, Y., &Haffner, P. (۱۹۹۸). Gradient-based ...
  • MacLean, M., &Congalton, R. (۲۰۱۲). Map accuracy assessment issues when ...
  • Meng, X., Currit, N., Wang, L., & Yang, X. (۲۰۱۲). ...
  • sahebi, mahmoodreza. (۲۰۱۵). change detection in semi urban areas with ...
  • Sameen, M. I., & Pradhan, B. (۲۰۱۷). A Two-Stage Optimization ...
  • نمایش کامل مراجع