fa شاخص‌ها و روشی نوین جهت طبقه‌بندی درختان و سایر گیاهان در شهرها با تصویر هوایی اپتیک پژوهشي Research <p dir="RTL">طبقه‌بندی و شناسایی عوارض شهری همواره مورد چالش محققان علوم فتوگرامتری و سنجش‌ازدور بوده است. در میان کلاس&shy;های گوناگون شهری، عوارض گیاهی به دلیل تنوع گونه&shy;ای بالا، شباهت طیفی گونه&shy;ها در تصاویر اپتیک و هم‌چنین دارا نبودن شکل هندسی خاص در تفکیک انواع مختلف گونه&shy;های گیاهی از یکدیگر دارای پیچیدگی خاصی بوده است. در تحقیقات گذشته به ‌منظور استخراج کلاس درختان از کلاس &laquo;سایر گیاهان&raquo; از منابع مختلف داده&shy; استفاده شده، که تصویر اپتیک از ارزان&shy;ترین و عمومی&shy;ترین منابع داده است. از این‌رو در این مقاله به‌ منظور تفکیک کلاس درختان و سایر عوارض گیاهی در مناطق شهری با استفاده از تصویر اپتیک روشی جدید ارائه شده است. بدین منظور ابتدا شاخص&shy;های گیاهی جدید با نام&shy;های شاخص گیاهی ترکیب باندی تقسیم (<span dir="LTR">(SVI</span> و شاخص گیاهی ترکیب باندی تفریق/ تقسیم <span dir="LTR">MSVI</span> از روی باند&shy;های آبی و سبز تولید شد. سپس اطلاعات فراوان بافتی از طریق ماتریس ماتریس درجه خاکستری رخداد توأم تولید شد و این اطلاعات بافتی در مرحله بعد از طریق روش کسر نویز کمترین (<span dir="LTR">MNF</span>) کاهش ابعاد ویژگی یافت. در مرحله بعد پنج باند اول اطلاعات بافتی کاهش ابعاد یافته، دو باند شاخص‌های جدید تولید شده و هم‌چنین سه باند تصویر اپتیک با&nbsp;هم به طبقه‌بندی کننده بیشترین شباهت وارد گردید. نتیجه طبقه‌بندی، نقشه خروجی برای سه کلاس درختان، &laquo;سایر گیاهان&raquo; و &laquo;سایر عوارض شهری&raquo; است. نتایج حاصل از ارزیابی طبقه‌بندی الگوریتم پیشنهادی نشان‌دهنده مقدار دقت کل 5/98 درصد و هم‌چنین ضریب کاپای 93 درصد است. هم‌چنین نتایج به‌دست‌آمده از کارایی مطلوب شاخص&shy;های پیشنهادی در این مقاله در مقایسه با شاخص‌های گیاهی شناخته‌شده در بهبود میزان دقت کلاس سایر گیاهان، دقت کل، ضریب کاپا و دقت میانگین طبقه&shy;بندی دارد. هم‌چنین نتایج به‌دست‌آمده برای شاخص&shy;های پیشنهادی در این مقاله از افزایش ضریب کاپای طبقه‌بندی تا چهار درصد جهت تفکیک کلاس درختان از کلاس &laquo;سایر گیاهان&raquo; حکایت دارد.</p> <p>Classification and detection of urban objects have always been a challenge for Photogrammetry and Remote Sensing researchers. Among various urban classes, plant complications due to their high diversity, spectral similarities in visible images and also absence of specific geometrical shapes have remarkable separation intricacies. In previous researches, for separation of the Trees class from &quot;other vegetation&quot; classes, different data sources have been used, which making use of visible images are the most low-cost and accessible data sources. Hence in this research study, an innovative method is developed for classification of Trees and &quot;other vegetation&quot; classes using visible image in urban areas. Therefore, firstly two new vegetation indices: Subdividing Vegetation Index (SVI) and Minus/ Subdividing Vegetation Index (MSVI), which are extracted from blue and green bands, are introduced. Then many textural features using Gray level Co-occurrence Matrix are estimated and then data reduction of Minimum Noise Fraction (MNF) is applied to the obtained textural features and first 5 bands had been selected. The obtained 2 new vegetation indices, 5 first bands of MNF and 3 bands of source images are entered to a Maximum Likelihood (MLL) classifier. The final result includes classification maps consist of Trees, &quot;other vegetation&quot; and &quot;other urban objects&quot; classes. The outcome of the newly proposed classification algorithm has shown the overall accuracy of 98.5 percent and Kappa coefficient values of about 93 percent. Furthermore, obtained results are shown the desirable effectiveness of the introduced vegetation indices in comparison to the other well-known vegetation indices for the classification overall accuracy, Kappa coefficient and average accuracy improvement. Also performance evaluation of the novel indices has shown an improvement about 4 percent in</p> تفکیک گونه های گیاهی, عوارض شهری, طبقه‌بندی, تصویر اپتیک, سنجش‌ازدور Seismotectonic zones, clustering, validity indexes, seismic data 1 19 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-52&slc_lang=fa&sid=1 Mehrdad Eslami مهرداد اسلامی 10031947532846004607 10031947532846004607 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Mohammadzadeh علی محمدزاده almoh2@gmail.com 10031947532846004608 10031947532846004608 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی