استفاده از تلفیق دادهها و شبکه های یادگیری عمیق به منظور طبقه بندی پوشش زمین مناطق شهری

اطلاعات پوشش زمین در برنامه ریزی شهری اهمیت زیادی دارد. وجود نقشه دقیق شهری در طراحی فضاهای سبز، ارزیابی وضعیت پوشش گیاهی و بررسی مسیرهای دسترسی به اماکن مهم مانند بیمارستانها و مراکز خرید بسیار کمک کننده است . مشابه بودن ویژگی هایی چون بافت و رنگ برخی عوارض در تصاویر رنگی هوایی ، برای مثال سطح آسفالت و سقف خانه ها یا پوشش گیاهی کم ارتفاع و درختان بلند، باعث بروز مشکلات و چالش هایی در عمل طبقه بندی می شود. بنابراین ، طبقه بندی صرفا با استفاده از تصاویر رنگی هوایی خروجی مطلوبی نخواهد داشت و نیاز به داده کمکی برای استخراج اطلاعات بیشتر به منظور تشخیص دقیق تر عوارض مشابه وجود دارد. در این تحقیق ، برای برطرف کردن چالش های موجود در طبقه بندی عوارض شهری ، ویژگی های بافت و رنگ از تصاویر هوایی ، و ویژگی های ارتفاعی از ابر نقطه با هم ادغام شدهاند. برای این کار اطلاعات مربوط به پوشش گیاهی و اطلاعات ارتفاعی به اطلاعات طیفی و بافتی اضافه و در یک شبکه رمزگذار-رمزگشا با جریان دوگانه یادگیری عمیق ، استخراج و تلفیق شد. در نهایت ، عمل طبقه بندی ، شامل کلاسهای سطح نفوذناپذیر، ساختمان، پوشش گیاهی کم ، درختان، ماشین و پس زمینه با دقت ۴,۹۲% انجام شد.

کلیدواژه ها:

طبقه بندی پوشش زمین ، برنامه ریزی شهری ، تلفیق ابر نقطه و تصاویر هوایی ، یادگیری عمیق ، شبکه رمزگذار-رمزگشا ، شبکه جریان دوگانه