آشکارسازی تغییرات سه بعدی در مناطق شهری با استفاده از مدل UNet++

پیشینه و اهداف: امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشه های تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشه های مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشه های جدید تغییرات می‎ باشد. از آنجا که روش های سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت کافی در ثبت تغییرات بعد سوم یا ارتفاع را ندارند، لذا این محدودیت موجب عدم تشخیص ساخت و ساز های طبقه ای شده که در نتیجه آن، نقص اطلاعات در پایش را به همراه خواهد داشت. با پیشرفت در سنجش ازدور و روش های نوین یادگیری عمیق، آشکارسازی تغییرات سه ­بعدی شهری امکان پذیر شده است که تاکنون نتایج برتری را نسبت به روش های کلاسیک ارائه داده اند. این پژوهش با هدف بهبود عملکرد در آشکارسازی تغییرات سه ­بعدی شهری، رویکردی بر مبنای یادگیری عمیق با استفاده از داده هایی با منابع مختلف ارائه می دهد تا انواع تغییرات ساختمانی به طور خودکار شناسایی و تفکیک نماید. هدف اصلی تفکیک چهار نوع تغییر ساختمانی از جمله ساخت جدید، تخریب کامل، افزایش ارتفاع و کاهش ارتفاع در کنار نواحی بدون تغییر می باشد تا نقشه جامعی از تغییرات سه بعدی شهری ارائه گردد.روش ها : مجموعه داده مورد استفاده در این پژوهش شامل تصاویر هوایی رنگی (RGB) با وضوح مکانی بالا به همراه داده های مدل رقومی سطح (DSM) مربوط به دو بازه ی زمانی مختلف از محدوده شهری والادولید اسپانیا می باشد. داده ورودی شامل تصاویر رنگی قبل و بعد از تغییر به همراه مدل ارتفاعی متناظر آن به صورت یک ورودی هشت بانده با یکدیگر ترکیب شده تا شبکه به طور همزمان اطلاعات طیفی و ارتفاعی را مشاهده کند و جهت ورود به فرآیند آموزش مدل، داده ها به نسبت ۹۰ به ۱۰درصد به دو دسته آموزش و آزمایش تقسیم­بندی می شوند. جهت افزایش تنوع داده های آموزش و جلوگیری از برازش بیش از حد از روش هایی چون وارون­سازی افقی و عمودی، چرخش تصادفی و تاری گاوسی بهره گرفته شده است. معماری مدل متشکل از یک شبکه ی عمیق  ResNet-۳۴به عنوان بخش ویژگی یاب و از شبکه UNet++ جهت بازسازی پیکسل به پیکسل تغییرات می باشد. همچنین برای به­ روزرسانی پارامترهای مدل از الگوریتم Adam بهره گرفته شده است. در مرحله نخست مدل شبکه عمیق به صورت دودویی (تغییر/عدم تغییر) آموزش داده شده و عملکرد آن در مقایسه با روش کلاسیک جنگل تصادفی، تفاضل یا نسبت گیری و روش ترکیبی تحلیل مولفه های اصلی (PCA) و خوشه بندی K-Means مقایسه می شود. پس از آن شبکه با برچسب های پنج کلاسه شامل چهار نوع تغییر گفته شده و برچسب عدم تغییر مجددا آموزش داده و جهت بهبود فرآیند یادگیری از یک تابع هزینه ­ساز بر مبنای بهینه ­سازی مستقیم معیار (IoU) استفاده شده است. جهت مقایسه عملکرد مدل ها از معیارهایی نظیر Accuracy، Recall، F۱-score و Precision استفاده شده است.یافته ها: در مرحله نخست این شبکه پس از ۵۰ اپک آموزش اغلب تغییرات واقعی را شناسایی کرده و در عین حال نرخ هشدار غلط را پایین نگه داشته است که معیارهای ارزیابی Recall، Accuracy و F۱-score با مقادیر ۹۸.۵% و ۹۸.۵% و ۰.۹۲ این نتایج را تاکید می کنند و این ارقام به طور محسوسی بهتر از روش های کلاسیک بوده .  همچنین در مدل یادگیری عمیق بر خلاف دیگر روش ها تقریبا تمامی موارد ساخت و ساز یا تخریب در مقیاس های کوچک تشخیص داده شده است. در مرحله پنج کلاسه، تغییرات به خوبی توسط مدل شناسایی و طبقه بندی شده اند و معیارهای Recall، Accuracy و F۱-score به ترتیب برابر با ۹۶.۳۲% و ۹۶% و ۰.۹۵ می باشد. تمامی سازه های جدید احداث شده و ساختمان های کاملا تخریب شده در نقشه خروجی مدل با برچسب درست تشخیص داده شده اند و بخش وسیعی از مناطق بدون تغییر هیچ برچسب اشتباهی دریافت نکرده اند.نتیجه گیری: نتایج نشان دهنده آن است که ترکیب داده های ارتفاعی با تصاویر دو بعدی و به کارگیری مدل های یادگیری عمیق به طرز چشمگیری کاستی های روش سنتی تشخیص تغییرات را برطرف کرده و افزایش دقت را به همراه خواهد داشت. این مدل توسعه یافته قادر است که نه تنها مکان تغییر بلکه نوع تغییر را شناسایی کند. لازم به ذکر است که از این شیوه نوین می توان جهت پایش ساخت و سازهای غیر مجاز، به روز رسانی پایگاه های داده مکانی و ارزیابی تغییرات شهری استفاده شود. مهمترین محدودیت این پژوهش وابستگی به داده های ارتفاعی دقیق می باشد که تهیه منظم آن در تمامی شهرها امکان پذیر نمی باشد. به علاوه آموزش مدل های عمیق نیازمند داده های برچسب دار گسترده و توان پردازشی بالا می باشد که ممکن است در کاربردهای عملی محدودیت ایجاد کند.

کلیدواژه ها:

آشکارسازی تغییرات ، سنجش از دور ، یادگیری عمیق ، سه بعدی ، شبکه عصبی پیچشی