fa نقشه‌برداری درختان در محیط‌های شهری با استفاده از شبکه عصبی عمیق کانولوشنی و فیلترهای مورفولوژیکی در پردازش تصاویر هوایی با قدرت تفکیک مکانی بالا سنجش از دور RS پژوهشي Research <span style="font-size:10pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span b="" nazanin="" style="font-family:"><span style="font-weight:bold"><span lang="AR-SA" style="font-weight:normal">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 </span><span dir="LTR" lang="EN-GB" new="" roman="" style="font-family:" times=""><span style="font-weight:normal">F1</span></span><span lang="AR-SA" style="font-weight:normal"> 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.</span></span></span></span></span></span> Today, we cannot ignore the role of trees in the quality of human life, so that the earth is inconceivable for humans without the presence of trees. In addition to their natural role, urban trees are also very important in terms of visual beauty. Aerial imagery using unmanned platforms with very high spatial resolution is available today. Convolutional neural networks based deep learning methods are very efficient in processing large amounts of data from this type of imaging and facing its special challenges. The current paper proposed an encoder-decoder networks based convolutional neural network architecture, the results of which are based on reference data provided by the International Society of Photogrammetry and Remote Sensing from Potsdam, Germany for urban tree detection, provide 96.10% overall accuracy and F1 score equals 80.72%. However, very little change in accuracy can be attributed to the time of imaging, at which the trees in the study region generally did not have any greenery. Another discussion in this research is to create a differential image of the terrestrial reality map and the output estimation map of the proposed algorithm. According to this differential map, the application of a morphological filter seems to be useful, which in practice has increased the accuracy of the final classification. The final issue is the use of training network parameters by red, green and blue band combination as primary parameters for the network with near, red and green infrared band input, in which case the time to achieve the best network performance is reduced by about 83% and this pre-training of neural network parameters has caused the rapid convergence of the target network. یادگیری عمیق, سنجش‌ازدور, شبکه‌های عصبی کانولوشنی, تصاویر هوایی با قدرت تفکیک مکانی بالا Deep Learning, Remote Sensing, Convolutional Neural Network, High Spatial Resolution Aerial images 89 104 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-124-17&slc_lang=fa&sid=1 Moslem Darvishi مسلم درویشی darvishim@ut.ac.ir 10031947532846008831 10031947532846008831 No School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran. دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی - پردیس دانشکده‌های فنی - دانشگاه تهران Reza Shah-Hosseini رضا شاه حسینی rshahosseini@ut.ac.ir 10031947532846008832 10031947532846008832 Yes School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran. دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی - پردیس دانشکده‌های فنی - دانشگاه تهران