استخراج ساختمان به کمک ادغام داده های ابرطیفی و لیدار به روش یادگیری ماشین

این مقاله پژوهش روشی نوین که هدفش استخراج عوارض ساختمانی از ادغام داده های لیدار با تصاویر فراطیفی است بررسی می کند. در این روش، فرض بر آنستکه با ادغام داده های لیدار با تصاویر فراطیفی که هر یک توانایی استخراج برخی از خصوصیات عوارض را دارند می توان همان عارضه را با دقت و صحت بیشتری استخراج کرد. در این روش با اعمال روش یادگیری ماشین بر روی تصاویر، تصویر کلاس بندی شده از عوارض ساختمانی و دیگر عوارض ایجاد خواهد شد. پس از اعمال کلاس بندی مقایسه ای بین روش پیشنهادی و دیگر روش های موجود در این زمینه انجام می شود، تا کیفیت روش پیشنهادی در مقایسه با روش های موجود مشخص شود. انجام چنین مقایسه ای نیازمند تعریف تعدادی پارامتر ارزیابی است. پارامترهایی که در این مقاله برای ارزیابی کیفیت روش پیشنهادی و در قسمت کنترل کیفیت ([1] QC) ارائه خواهند شد، عبارتند از؛ میزان کامل بودن [2] ، صحت [3] ، دقت [4] و ضریب کاپا [5]. دقت به دست آمده از نتایج روش پیشنهادی در این مقاله برابر با 56/95 % ، میزان کامل بودن برابر با 100% ، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شدند. هدف این مقاله شامل استخراج خودکار ساختمان های موجود در تصاویر هوایی ابرطیفی و لیدار اخذ شده از یک منطقه (Automation) ، استخراج حداکثر تعداد ساختمان های موجود در تصاویر نام برده شده (Completeness) و افزایش دقت و صحت در استخراج ساختمان (Accuracy and Precision) است که بر اساس نتایج بدست آمده از پارامترهای ارزیابی محقق شده اند