عنوان پایان‌نامه
ارزیابی روش های طبقه بندی جهت استخراج عوارض توپو گرافی با استفاده از تلفیق داده های لیدار و تصاویر هوایی با قدرت تفکیک مکانی خیلی بالا
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3404;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3404;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77663;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77663
- تاریخ دفاع
- ۱۳ شهریور ۱۳۹۵
- دانشجو
- زینت قوامی
- استاد راهنما
- حسین عارفی
- چکیده
- امروزه به دست آوردن اطلاعات پوشش اراضی شهری، یکی از مهم ترین ابزارهای مدیریت شهری است و کاربرد زیادی در بررسی تغییرات زمین دارد. طبقه بندی تصاویر، یکی از متداول ترین روش های استخراج اطلاعات از داده های سنجش از دور است. وجود نواحی شهری پیچیده و متراکم یکی از مشکلات آنالیزهای سنجش از دور می باشد. دقت عملکرد طبقه بندی 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 می توان به طبقه بندی دقیق تر با قابلیت اعتماد بالاتر دست یافت. از جمله روش های موفقیت آمیز طبقه بندی در سال های اخیر، می توان به الگوریتم های ماشین بردار پشتیبان و الگوریتم های یادگیری دسته جمعی مانند بگینگ، آدابوست و جنگل تصادفی اشاره کرد. در این پژوهش 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 براساس طبقه بندی داده لایدار و تصویر هوایی به تنهایی و تلفیق هر دو داده استفاده شده است. نتایج نشان می دهد که با تلفیق دو داده لایدار و تصویر هوایی، دقت طبقه بندی کلاس ها توسط الگوریتم های SVM، RF و بگینگ بهبود یافته است. این در حالی است که عملکرد الگوریتم آدابوست متفاوت از این سه روش است و با تلفیق این دو داده، دقت طبقه بندی کلاس ها نسبت به استفاده مجزا از لایدار هیچگونه تغییری نمی کند و نسبت به استفاده مجزا از تصویر هوایی، کاهش می یابد. بیشترین دقت طبقه بندی عوارض منطقه مورد مطالعه که شامل شش کلاس شهری چمن، درخت، جاده، اتومبیل، ساختمان با سقف مسطح و شیروانی می باشد با استفاده از تصویر هوایی و تلفیق این تصویر و داده لایدار، مربوط به طبقه کننده SVM است. علاوه بر این مشاهده گردید نتایج طبقه بندی داده لایدار با استفاده از روش RF، نسبت به روش های SVM، بگینگ و آدابوست از دقت بالاتری برخوردار است.
- Abstract
- Today, 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, one of the most common methods of extracting information from remote sensing data. Complex and dense urban areas is one of the problems is 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, can be support vector machines algorithm and ensemble learning algorithms such as Bagging, Adaboost and Random Forest noted. In this Thesis, 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 by the use of support vector machine algorithm-precision 91.9885 % performs higher ability than other classification methods such as Bagging, Adaboost and Random Forest. Key Words: LIDAR Data, Areal Image, Support Vector Machines, Bagging, Boosting, Adaboost, Random Forest
