استخراج اتوماتیک عوارض شهری از تصاویر با قدرت تفکیک بالای مکانی با استفاده از شبکه های عصبی پیچشی (منطقه مورد مطالعه: شهر اهواز)

 استخراج و بازسازی اتوماتیک عوارض از داده های هوایی و ماهواره ای می تواند نقش انسان را در تولید اطلاعات مکانی بزرگ مقیاس شهری به حداقل رسانده و هزینه و زمان تولید آنها را به شدت کاهش دهد. شناسایی اشیاء هدف از تصاویر هوایی و ماهواره ای به خصوص در مناطق شهری با استفاده از تکنیک های پردازش تصاویر کامپیوتری و الگوریتم های هوش مصنوعی یکی از پرکاربردترین حوزه های تحقیقاتی به شمار می رود. از انواع این الگوریتم ها، شبکه های عصبی پیچشی (Convolution Neural Networks) هستند که از توان بالایی برای استخراج ویژگی های سطح بالا در انواع تصاویر برخوردارند. در این پژوهش بیش از 850 نمونه آموزشی از عوارض ساختاری مهم شهری شامل ساختمان، راه و تک درخت تهیه شده است. در این تحقیق از میان انواع مختلف شبکه های موجود، با توجه به سرعت بالاتر انجام پردازش، از شبکه عصبی کانولوشون بر مبنای آشکاساز چندباکس تک شات با پایه شبکه ResNet به منظور کشف و استخراج خودکار محدوده این عوارض استفاده شده است. مدل پیشنهادی توسط نمونه های آموزشی بر مبنای 85 درصد داده آموزشی و 15 درصد داده اعتبارسنجی، با 120 دوره تکرار و دقت 93 درصد آموزش داده شده است. مدل آموزش دیده بر روی تصاویر مختلف از منطقه مورد مطالعه برای کشف عوارض هدف اجرا شده است. نتایج ارزیابی مدل بر اساس معیار دقت برابر 86/0 و معیار بازیابی برابر 82/0 و معیار F1Score برابر 83/0 می باشد. نتایج نشان دهنده آنست که الگوریتم پیشنهادی می تواند در زمینه هایی چون تولید و بروزرسانی نقشه های بزرگ مقیاس شهری و همچنین کشف تغییرات در مناطق شهری مورد استفاده قرار گیرد.