استخراج عوارض از مناطق شهری براساس استفاده همزمان داده های راداری، چندطیفی و لیدار

در سال های اخیر داده های راداری به منظور استخراج عوارض مورد استفاده و توجه قرار گرفته اند. مستقل بودن سنجنده های راداری از شرایط آب و هوایی و تابش خورشیدی در کنار قابلیت نفوذ امواج ماکروویو در بسیاری از عوارض زمینی، باعث شده است استفاده از آنها در زمینه طبقه بندی عوارض زمینی شدت یابد. در این میان اطلاعات جمع آوری شده توسط سیستم های سنجش از دوری راداری بسیار متفاوت از سنجنده های معمول نوری است که تفسیر این داده ها را بسیار مشکل تر از داده های نوری می سازد. به همین دلیل معمولا می توان از داده های راداری در کنار داده های نوری به منظور طبقه بندی و شناسایی عوارض زمینی استفاده کرد. ادغام داده های سنجش از دوری به منظور استفاده از مزایای هر یک از آنها و رفع عیوب آنها از دیرباز مورد توجه فراوان بوده است. تحقیق پیش رو روشی بر پایه استفاده همزمان داده های راداری را در کنار داده های نوری و لیدار به منظور بهبود نتایج طبقه بندی در مناطق شهری ارائه می دهد. ابتدا الگوریتم های مختلف استخراج ویژگی برای هر سه داده سنجش از دوری اجرا می شوند تا فضای ویژگی گسترش یابد. در مرحله دوم یک روش انتخاب ویژگی براساس الگوریتم کلونی مورچگان بهترین زیرمجموعه از ویژگی های حاصل را انتخاب می کند. سپس روش های طبقه بندی مختلفی مانند ماشین بردار پشتیبان (SVM) ، بیشترین شباهت (ML) و نزدیکترین همسایگی (KNN) به منظور طبقه بندی فضای ویژگی انتخاب شده بکار برده می شوند. با ایجاد مجموعه تصمیم ها حاصل از طبقه بندی کننده های مختلف، روش ادغام وزندار به منظور ادغام نتایج طبقه بندی کننده ها بکار برده می شود. به منظور ارزیابی روش پیشنهادی از مجموعه داده ایی شامل داده راداری حاصل از سنجنده TerraSAR-X، داده چندطیفی حاصل از سنجنده WorldView-2 و داده لیدار استفاده می شود. این مجموعه داده از منطقه سانفرانسیسکو در آمریکا با قدرت تفکیک مکانی 1 متر تهیه شده است. نتایج حاصل نشان می دهد روش پیشنهادی مبتنی بر استفاده همزمان سه داده راداری، نوری و لیزری می تواند باعث افزایش دقت مناسب برای برخی کلاسها و یا اندک برای دیگر کلاسها شود. همچنین نتایج ادغام در مقایسه با نتایج طبقه بندی هر داده به صورت مجزا می تواند بهبود متفاوتی را ایجاد کند.