Journal of Geospatial Information Technology

fa ارائه رویکرد نوین SVM-CRF برای طبقه‌بندی ابر نقاط لیدار هوایی در محیط شهری Conditional Random Fields for Airborne Lidar Point Cloud Classification in Urban Area فتوگرامتری Aerial Photogrammetry پژوهشي Research طی دهه های گذشته، رشد شهری به عنوان یک پدیده جهانی شناخته شده است که شامل روند گسترده شدن و الگوی گسترش است. همان‌طور که شهرها به سرعت در حال تغییر هستند، میتوان بهمنظور تجزیه و تحلیل کمّی آنها و همچنین تصمیمگیری در برنامهریزی شهری از مزایای مدلهای دیجیتالی دوبعدی و سهبعدی استفاده کرد. پیشرفتهای اخیر در تصویربرداری و تکنولوژیهای حسگر غیر تصویربردار مانند سیستم تشخیص و ردیابی نور (لیدار) هوایی، منجر به ایجاد مقدار زیادی دادههای سنجش از دوری شده است که میتواند برای تولید مدلهای دوبعدی و سهبعدی بهکار گرفته شود. هدف از این مقاله ارائه رویکرد نوین SVM-CRF برای طبقهبندی مجموعه داده ابر نقاط لیدار و تصویر و مقایسه کارآیی این رویکرد نسبت به دیگر رویکردهای موجود از جمله رویکردهای گرافیکی احتمالاتی است. لازم به ذکر است که در این مقاله از SA به عنوان بهینه ساز SVM-CRF استفاده شد. برای ارزیابی قابلیت رویکرد مورد استفاده در این مقاله از مجموعه داده مرجع ISPRS که برای شهر وایهینگن و به منظور طبقهبندی شهری و بازسازی ساختمان سهبعدی تولید شده است؛ استفاده شد. همچنین نتایج تحقیق قبلی نویسنده مقاله پیشرو که رویکرد  SVM-MRFرا معرفی کرده بود در کنار دیگر تحقیقاتی که از روش CRF و مجموعه داده مشابه استفاده کردهاند، برای مقایسه بهتر نتایج آورده شده است. نتایج این تحقیق نشان میدهد که عملکرد روش SVM-CRF با دقت کلی 06/89 درصد و ضریب کاپا 84/0 درصد از سایر رویکردهای طبقهبندی به کار رفته روی مجموعه داده مشابه بهتر است. Over the past decades, <a href="https://www.sciencedirect.com/topics/earth-and-planetary-sciences/urban-growth" title="Learn more about Urban Growth">urban</a> growth has been known as a worldwide phenomenon that includes widening process and expanding pattern. While the cities are changing rapidly, their quantitative analysis as well as decision making in urban planning can benefit from two-dimensional (2D) and three-dimensional (3D) digital models. The recent developments in imaging and non-imaging sensor technologies, such as airborne Light Detection and Ranging (LiDAR) system, lead to a huge amount of remotely sensed data which can be employed to produce 2D/3D models. Although much of the previous researches have investigated on the performance improvement of the traditional data analyzing techniques, recently, more recent attention has focused on using probabilistic graphical models. However, less attention has paid to Conditional Random Field (CRF) method for the classification of the LiDAR point cloud dataset. Moreover, most researchers investigating CRF have utilized cameras or LiDAR point cloud; therefore, this paper adopted CRF model to employ both data sources. The methods were evaluated using ISPRS benchmark datasets for Vaihingen dataset on urban classification and 3D building reconstruction. The evaluation of this research shows that the performance of CRF model with an overall accuracy of 89.06% and kappa value of 0.84 is higher than other techniques to classify the employed LiDAR point cloud dataset. ابر نقاط لیدار, طبقه‌بندی, میدان شرطی تصادفی, یادگیری ماشین, ویژگی‌های شهر. LiDAR point cloud, Classification, CRF, Machine learning, Urban features. 139 156 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-446-2&slc_lang=fa&sid=1 Farzaneh Aghighi فرزانه عقیقی 10031947532846007556 10031947532846007556 No Kharazmi University دانشگاه خوارزمی Hossein Aghighi حسین عقیقی h_aghighi@sbu.ac.ir 10031947532846007557 10031947532846007557 Yes Shahid Beheshti University دانشگاه شهید بهشتی Omid Mahdi Ebadati امید مهدی عبادتی 10031947532846007558 10031947532846007558 No Kharazmi University دانشگاه خوارزمی