تشخیص پوشش گیاهی شهری مبتنی بر ادغام در سطح تصمیمات داده های لیدار و تصاویر فراطیفی

استفاده از داده های سنجش از دور به منظور کسب آگاهی و دانش در رابطه با پوشش گیاهی نواحی شهری و سلامت آن ها، به دلیل اهمیت زیاد گیاهان همواره مورد توجه مدیران بوده است. در این تحقیق، از ادغام دو داده فراطیفی و لیدار به منظور تشخیص و طبقه بندی انواع گونه های گیاهی در مناطق شهری استفاده شده است. اطلاعات طیفی حاصل از داده های فراطیفی به منظور طبقه بندی عوارض پوشش گیاهی استفاده می شود، اما به علت شباهت طیفی گونه های مختلف گیاهی با یکدیگر و با سایر عوارض شهری امکان بروز اشتباهاتی وجود دارد که استفاده از اطلاعات ارتفاعی حاصل از داده لیدار به منظور رفع آن، می تواند بسیار کارآمد باشد. روش پیشنهادی ادغام داده ها مبتنی بر بکارگیری قابلیت سیستم های چندعاملی در حیطه هوش مصنوعی توزیع یافته به عنوان راهکاری برای ادغام    داده های فراطیفی و لیدار در سطح تصمیمات و بهبود نتایج طبقه بندی و تشخیص انواع عوارض پوشش گیاهی شهری است. هر یک از عامل های مکان-مبنای تعریف شده در این سیستم براساس اطلاعات طیفی مستخرج از داده فراطیفی و اطلاعات ارتفاعی حاصل از داده لیدار وظیفه شناسایی و استخراج یک نوع عارضه پوشش گیاهی خاص را برعهده دارند. در نهایت، عامل هماهنگ کننده ضمن شناسایی نواحی کاندیدای مورد تناقض، با همکاری عامل های مکان-مبنای تشخیصی سعی در برطرف نمودن مشکلات مربوط به شباهت طیفی و ارتفاعی عوارض شهری در نتایج طبقه بندی می نماید. نتایج بدست آمده حاصل از اعمال این سیستم چندعاملی ادغام در سطح تصمیمات بر روی داده های فراطیفی و لیدار برداشت شده از منطقه دانشگاه هیوستون و نواحی اطراف، نشان دهنده توانایی بالای این روش در تشخیص عوارض پوشش گیاهی است. ارزیابی این نتایج نشان داد که دقت کلی در نتایج حاصل از سیستم چندعاملی برای حالتی که از داده فراطیفی به تنهایی استفاده شده است، حدود 71%  است و در حالتی که از ادغام داده فراطیفی و لیدار استفاده شود، حدود 87% است.