توسعه روشی نوین در بهینه سازی طبقه بندی شئ مبنا جهت به روزرسانی نقشه های بزرگ مقیاس شهری با تاکید بر عارضه ساختمان

نظر به گسترش شهرها، به روزرسانی نقشه های شهری جهت برنامه ریزی شهری حائز اهمیت و کارآمدی آن متاثر از دقت استخراج اطلاعات/شناسایی تغییرات است. روش های استخراج اطلاعات از دیدگاه واحد پایه محاسباتی به دو گروه پیکسل مبنا و شئ مبنا تقسیم می شوند. آنالیزهای شئ مبنا محدودیت های آنالیزهای پیکسل مبنا (تولید نتایج فلفل-نمکی و تولید عوارض با حفره) را رفع نموده است. در استخراج اطلاعات با طبقه بندی SVM در مناطق پیچیده شهری، بهره گیری از ویژگی های متنوع جهت بهبود دقت مطرح است، بااین حال، به دلیل افزایش فضای ویژگی، احتمال حضور ویژگی های وابسته افزایش می یابد. همچنین در SVM نیاز به تعیین مقادیر پارامترهای مدل است. در اکثر تحقیقات پیشین مبتنی بر آنالیزهای شئ مبنا، دو مرحله مهم فوق به روش سعی و خطا و یا مبتنی بر دانش فرد خبره تعیین می شدند. لزوم انتخاب ویژگی های مستقل ازیک طرف و ضرورت تعیین مقادیر بهینه پارامترهای SVM شئ مبنا از سوی دیگر با هدف کاهش حداکثری تعامل کاربر سبب شده است که در این مقاله، روشی نوین با سطح خودکارسازی نسبتا بالا مبتنی بر بهینه سازی توامان SVM شئ مبنا با الگوریتم های فرا ابتکاری جهت به روزرسانی نقشه های بزرگ مقیاس با تلفیق تصاویر با قدرت تفکیک مکانی بالا و داده ارتفاعی ارائه شود. همچنین انتخاب نیمه خودکار نمونه های آموزشی/آزمایشی نیز افزایش سطح خودکارسازی روند به روزرسانی را تامین می نمایند. لذا با توجه به اهمیت استخراج اطلاعات بر نتایج به روزرسانی، روش پیشنهادی سعی بر بهبود نتایج این مرحله دارد. نتایج حاصل از پیاده سازی روش پیشنهادی بر تصاویر آزمایشی نسبت به رویکردهای پیکسل مبنا، حاوی نتایج نویزی نبودند و زمان اجرای روش پیشنهادی در فرآیند بهینه سازی و طبقه بندی در مقایسه با رویکرد پیکسل مبنا به طور قابل توجهی کاهش یافت. درنهایت دقت نقشه تغییرات از روش پیشنهادی در مقایسه با رویکرد معمول منجر به بهبود 9% ضریب کاپا و 5% معیار کیفیت در کلاس تغییریافته شد.