انتخاب ویژگی مبتنی بر روش آدابوست به منظور طبقه بندی پوشش اراضی شهری در تصاویر با حد تفکیک مکانی بالا

ظهور تصاویر بزرگمقیاس هوایی و ماهواره ای، فرصتها و امکانات فراوانی در مدیریت موثر و پایدار شهری ایجاد نموده است. اگرچه منابع جدید تصاویر سنجشازدور با حد تفکیک مکانی بالا، اطلاعات با سطح جزئیات بیشتری فراهم می کنند؛ اما استخراج اطلاعات پوشش زمین از این منابع داده به دلیل تنوع زیاد طیفی و ناهمگونی در مواد سطحی، به یک فرآیند پیچیده تر تبدیل شده است. یادگیری ماشین برای مقابله با مشکلاتی که در آن دانش نظری ما ناقص است ولی تعداد داده ها و مشاهدات قابل توجهی وجود دارد، یک رویکرد تجربی موثر و ایده آل است. توسعه ی روشهای یادگیری ماشین بهصورت موازی با توسعه ی مفاهیم و الگوهای جدید در سنجش ازدور همراه بوده است. بااین حال، تعداد اندکی از آنها برای طبقه بندی داده های با حجم بالا مناسب هستند. روش آدابوست، یکی از روشهای مطرح یادگیری ماشین است که میتواند هنگام مواجه ه با انبوه داده ها مفید و کارآمد واقع شود. بر این اساس، در تحقیق حاضر، یک رویکرد ترکیبی جدید مبتنی بر روش آدابوست بهمنظور کاهش ابعاد داده ها ارائه شده است. در این تحقیق، الگوریتم آدابوست به عنوان ابزار انتخاب ویژگی در دو رویکرد ترکیبی دانشپایه و جمعیت مبنا بکار رفته است. در این تحقیق، برای استخراج ویژگیها از تصاویر با حد تفکیک مکانی بالا، از روش مجموعه ویژگی شبه عمیق استفاده شده است. روش پیشنهادی بر روی مجموعه داده استاندارد واهینگن اجرا و سپس نتایج حاصل از آن با روش RF مقایسه شده است. نتایج تجربی نشان دادند که ویژگیهای منتخب توسط آدابوست نسبت به روش RF، دقتهای بالاتری حاصل میکنند. همچنین مشاهده شد که رویکرد ترکیبی دانش پایه بدون افزودن هیچگونه پیچیدگی و هزینه ی محاسباتی، نسبت به رویکرد جمعیت مبنا، هم ازنظر دقت و هم ازنظر سرعت محاسبات از عملکرد بهتری برخوردار است.

کلیدواژه ها:

رویکرد ترکیبی ، انتخاب ویژگی ، آدابوست ، طبقه بندی پوشش اراضی ، سنجش ازدور.