%0 Journal Article %A Amini Amirkolaee, Hamed %A Arefi, Hossein %T Digital surface model extraction with high details using single high resolution satellite image and SRTM global DEM based on deep learning %J Journal of Geospatial Information Technology %V 7 %N 3 %U http://jgit.kntu.ac.ir/article-1-748-fa.html %R 10.29252/jgit.7.3.173 %D 2019 %K Digital Surface Model, Convolutional Neural Network, single satellite image, SRTM DEM., %X مدل رقومی سطح (DSM) از جمله مهم‌ترین محصولات در حوزه فتوگرامتری و سنجش‌ازدور می‌باشد و کاربردهای متنوعی در این حوزه دارد. تکنیک‌های موجود به بیش از یک تصویر برای استخراج DSM نیاز دارند و در این مقاله سعی شده است امکان استخراج DSM از تک تصویر ماهواره‌ای آنالیز و بررسی شود. در این راستا، یک الگوریتم برمبنای شبکه‌های عصبی کانوولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش پردازش‌هایی نظیر تقسیم تصاویر ماهواره به تصاویر کوچک‌تر، محلی‌سازی مقادیر ارتفاعی و تقویت داده‌های آموزشی برای آماده‌سازی داده‌ها برای ورود به شبکه انجام می‌شود. شبکه عصبی کانوولوشنی (CNN) پیشنهادی دارای ساختاری کدگذار-کدگشا می‌باشد که در مرحله کدگذاری ویژگی‌های مختلف و کارآمد در مقیاس‌های متفاوت استخراج‌شده و در مرحله کدگشایی و با ارائه روندی کارآمد، ویژگی‌های تولیدشده برای تخمین مقادیر ارتفاعی با یکدیگر تلفیق می‌گردند. سپس با ارائه یک الگوریتم پیکسل‌های زمینی و غیرزمینی از هم تفکیک‌شده و مقادیر ارتفاعی عوارض غیرزمینی استخراج می‌شوند. با اضافه نمودن عوارض غیرزمینی به همراه اطلاعات ارتفاعی به مدل رقومی ارتفاعی ماموریت توپوگرافی رادار شاتل (SRTM) با ابعاد پیکسل زمینی 30 متر، DSM نهایی بدست می‌آید. الگوریتم پیشنهادی با استفاده از تصاویر ماهواره‌ای و DSMهای متناظر آن‌ها ارزیابی شد. با ارزیابی تصاویر ارتفاعی کوچک تخمین زده‌شده توسط شبکه CNN پیشنهادی به‌طور متوسط مقادیر 921/0، 221/0 و 956/2 متر به ترتیب برای خطای میانگین نسبی (ER)، خطای میانگین لگاریتم (EL)، ریشه جذر میانگین مربعات (ERMSE) حاصل شد. همچنین با ارزیابی DSMهای یکپارچه نهایی ایجاد شده به طور متوسط مقدار 625/4 متر به ترتیب برای ERMSE بدست آمد. %> http://jgit.kntu.ac.ir/article-1-748-fa.pdf %P 173-198 %& 173 %! %9 Research %L A-11-724-2 %+ University of Tehran %G eng %@ 2008-9635 %[ 2019