Journal of Geospatial Information Technology

fa بررسی جامع بر روی روش‌های طبقه‌بندی غیرپارامتریک به منظور تفکیک عوارض شهری با استفاده از تلفیق داده‌های لایدار و تصویر هوایی با توان تفکیک مکانی بسیار بالا Comprehensive investigation on non-parametric classification methods in order to separate urban objects using the integration of very high spatial resolution LiDAR and aerial data سنجش از دور RS پژوهشي Research امروزه به دست آوردن اطلاعات پوشش اراضی شهری، یکی از مهم‌ترین ابزارهای مدیریت شهری است و کاربرد زیادی در بررسی تغییرات زمین دارد. طبقه‌بندی تصاویر، یکی از متداول¬ترین روش‌های استخراج اطلاعات از داده‌های سنجش از دور است. وجود نواحی شهری پیچیده و متراکم یکی از مشکلات آنالیزهای سنجش از دور می¬باشد. دقت عملکرد طبقه‌بندی در این مناطق برای محققان مورد توجه بوده و همواره سعی در بهبود این دقت داشته¬اند. با استفاده از تکنیک تلفیق داده¬های مختلف و به کارگیری اطلاعات متنوع از عوارض می‌توان به طبقه‌بندی دقیق‌تر با قابلیت اعتماد بالاتر دست یافت. از جمله روش-های موفقیت آمیز طبقه‌بندی در سال‌های اخیر، می‌توان به الگوریتم‌های ماشین‌ بردار پشتیبان و الگوریتم‌های یادگیری دسته جمعی مانند بگینگ، بوستینگ و جنگل تصادفی اشاره کرد. در این مقاله در مورد عملکرد این چهار الگوریتم برای شناسایی عوارض شهری با استفاده از نقاط متراکم لایدار و تصویر هوایی با قدرت تفکیک بسیار بالا بحث شده است. در این تحقیق از سه شیوه بر اساس طبقه‌بندی داده لایدار و تصویر هوایی به تنهایی و تلفیق هر دو داده استفاده شده‌است. نتایج نشان می‌دهد که ترکیب داده لایدار و تصویر هوایی، طبقه‌بندی بهتری را از عوارض شهری به‌دست می‌دهد. در نهایت طبقه‌بندی عوارض شهری با کمک تلفیق داده‌های لایدار و تصویر هوایی و با استفاده از الگوریتم ماشین‌های بردار پشتیبان با دقت ۹۹/۹۳٪،  توانایی بالاتری نسبت به سایر روش¬های طبقه‌بندی مورد استفاده مانند بگینگ، بوستینگ و جنگل تصادفی دارد.   Nowadays, to obtain information covering urban land, the city is one of the most important and widely used management tools in the study of Earth changes. Classification of images is one of the most common methods of extracting information from remote sensing data. Complex and dense urban areas are one of the problems in the analysis of remote sensing. The accuracy of classification performance in these areas is under the attention of the researchers and always tries to improve the accuracy. Using different data and application integration techniques to classify a variety of effects can be more accurate-achieved with higher reliability. Among the successful classification methods in recent years, support vector machines algorithm and ensemble learning algorithms such as Bagging, Boosting and Random Forest noted can be mentioned. In this paper, the performance of the four algorithms to identify the effects of the dense city with a very high resolution aerial LIDAR and image are discussed. The results show that the combination of LIDAR data and aerial image, gives out a better classification of the degree of urban features. The classification of urban features with the help of integrated LIDAR and aerial image information with the use of support vector machine algorithm-precision 93.99% performs higher ability than other classification methods such as Bagging, Boosting and Random Forest. داده لایدار, تصویر هوایی, ماشین‌های بردار پشتیبان, بگینگ, بوستینگ, جنگل تصادفی LIDAR Data, Areal Image, Support Vector Machines, Bagging, Boosting, Random Forest 77 97 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-414-2&slc_lang=fa&sid=1 Zinat Ghavami زینت قوامی 10031947532846004954 10031947532846004954 No University of Tehran دانشگاه تهران Hossein Arefi حسین عارفی hossein.arefi@ut.ac.ir 10031947532846004955 10031947532846004955 Yes University of Tehran دانشگاه تهران Behnaz Bigdeli بهناز بیگدلی 10031947532846004956 10031947532846004956 No Shahrood University of Technology دانشگاه صنعتی شاهرود Milad Janalipour میلاد جانعلی پور 10031947532846004957 10031947532846004957 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی