@ARTICLE{Aghighi, author = {Aghighi, Farzaneh and Aghighi, Hossein and Ebadati, Omid Mahdi and }, title = {Conditional Random Fields for Airborne Lidar Point Cloud Classification in Urban Area}, volume = {7}, number = {4}, abstract ={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. }, URL = {http://jgit.kntu.ac.ir/article-1-767-fa.html}, eprint = {http://jgit.kntu.ac.ir/article-1-767-fa.pdf}, journal = {Journal of Geospatial Information Technology}, doi = {10.29252/jgit.7.4.139}, year = {2020} }