@ARTICLE{Shah-Hosseini, author = {Darvishi, Moslem and Shah-Hosseini, Reza and }, title = {Provide a Deep Convolutional Neural Network Optimized with Morphological Filters to Map Trees in Urban Environments Using Aerial Imagery}, volume = {10}, number = {2}, abstract ={امروزه نقش درختان در کیفیت زندگی بشر غیرقابل‌انکار است، به‌گونه‌ای که زمین بدون حضور درختان برای انسان قابل‌تصور نیست. درختان شهری علاوه بر نقش ماهیتی خود، از نظر زیبایی بصری نیز بسیار اهمیت دارند. تصویربرداری هوایی با قدرت تفکیک مکانی بسیار بالا با استفاده از سکوهای بدون سرنشین متداول است. در پردازش داده‌های حجیم حاصل از این نوع تصویربرداری و چالش‌های ویژه آن، روش‌های یادگیری عمیق بر پایه شبکه‌های عصبی کانولوشنی بسیار کارآمد هستند. در این تحقیق یک معماری برای شبکه عصبی کانولوشنی بر پایه شبکه‌های رمزگذار - رمزگشا پیشنهاد شده است که نتایج آن بر روی داده‌های مرجع ارائه شده توسط انجمن بین‌المللی فتوگرامتری و سنجش‌ازدور از شهر پوتسدام کشور آلمان جهت آشکارسازی درختان شهری، دقت کلی 96.10% و امتیاز F1 برابر با 80.72% را ارائه می‌دهد. همچنین موضوع جایگزینی باند مادون‌قرمز به‌جای باند آبی در تصاویر مرئی مورد بررسی قرار گرفت که موجب بهبود در نتایج طبقه‌بندی شد هرچند تغییر بسیار کم دقت با وجود این تغییر را می‌توان به زمان تصویربرداری مرتبط دانست که در این زمان عموماً درختان منطقه موردمطالعه از هیچ‌گونه سبزینگی برخوردار نبوده‌اند. بحث دیگر در این تحقیق ایجاد تصویر تفاضلی از نقشه واقعیت زمینی و نقشه تخمین خروجی از الگوریتم پیشنهادی است که با توجه به این نقشه تفاضلی اعمال یک فیلتر مورفولوژی مفید به نظر می‌رسد که در عمل موجب افزایش دقت در طبقه‌بندی نهایی شده است. موضوع آخر استفاده از پارامترهای شبکه حاصل از آموزش توسط ترکیب باندی قرمز، سبز و آبی به‌عنوان پارامترهای اولیه برای شبکه با ورودی ترکیب باندی مادون‌قرمز نزدیک، قرمز و سبز است که در این حالت زمان دستیابی به بهترین عملکرد شبکه در حدود 83% کاهش یافته و این پیش آموزش پارامترهای شبکه عصبی موجب همگرایی سریع شبکه موردنظر شده است. }, URL = {http://jgit.kntu.ac.ir/article-1-854-fa.html}, eprint = {http://jgit.kntu.ac.ir/article-1-854-fa.pdf}, journal = {Journal of Geospatial Information Technology}, doi = {10.52547/jgit.10.2.89}, year = {2022} }