سیستم Full Waveform LiDAR توسعه یافته و به صورت تجاری در سراسر جهان مورد استفاده قرار گرفته است. این برای ثبت زمان کامل یک پالس لیزر عمل می کند و یک فاصله نمونه برداری با وضوح بالا در مقایسه با LiDAR سنتی چند اکو دارد که سیگنال ها را فقط در یک محدوده هدف ارائه می دهد. این منطقه مطالعاتی عمدتاً داده‌ها را از تصاویر ماهواره‌ای Riegl LMS-Q680i Full Waveform LiDAR و WorldView-2 جمع‌آوری می‌کند که بر ساختمان‌ها، پوشش گیاهی، علفزار، جاده‌های آسفالتی و دیگر انواع زمین به عنوان اشیاء سطحی تمرکز دارد. دامنه و عرض پالس به عنوان پارامترهای اصلی شکل موج انتخاب می شوند. پارامتر توپوگرافی شیب است و پارامترهای طبقه بندی ارتفاع زمین آزمایش 0-0.5 متر، 0.5-2.5 متر و 2.5 متر است. برای حذف نویز، میانگین همسایگی بر روی مقادیر پارامتر LiDAR اعمال می شود و به عنوان مقایسه دقت طبقه بندی تجزیه و تحلیل می شود. این بررسی از درخت تصمیم به عنوان روش طبقه بندی استفاده می کند. با مقایسه داده‌ها بین میانگین همسایگی و میانگین غیر همسایگی، دقت طبقه‌بندی داده‌ها 7 درصد و کاپا تا 5.92 درصد بهبود می‌یابد. داده های تصویر NDVI برای تشخیص زمین مصنوعی از طبیعی استفاده می شود. نتایج نشان می‌دهد که میانگین همسایگی با داده‌های قبلی می‌تواند دقت طبقه‌بندی را تا 5% بهبود بخشد و کاپا تا 4.25% بهبود می‌یابد. با افزودن NIR-2 از تصاویر ماهواره ای WorldView-2 به تجزیه و تحلیل میانگین همسایگی، دقت طبقه بندی کلی تا 2% و مقدار کاپا تا 1.21% بهبود می یابد.

کلید واژه ها:

LiDAR ; شکل موج کامل ؛ درخت تصمیم ; دقت

1. مقدمه

هدف این مطالعه استفاده از تصاویر ماهواره‌ای WorldView-2 و داده‌های LiDAR هوابرد LMS-Q680i برای تولید تحقیق در مورد طبقه‌بندی و تفسیر ویژگی‌ها است. در بخش مربوط به تصاویر ماهواره ای، اکثر داده های تصویر از ماهواره WorldView-2 است که هشت باند موج مختلف را ارائه می دهد. هر یک از اینها دارای ویژگی های تشعشع متفاوتی بر روی اجسام سطح یکسان هستند. این مقاله از باند هشتم، باند مادون قرمز نزدیک-2 (NIR-2) برای جمع آوری داده های تصویر استفاده خواهد کرد. سپس، باند پنجم، باند قرمز و هفتم، و باند مادون قرمز نزدیک-1 (NIR-1) برای محاسبه شاخص گیاهی تفاوت عادی شده (NDVI) به عنوان پارامتر مهم طبقه‌بندی تصویر استفاده خواهد شد. سپس، درخت تصمیم برای تجزیه و تحلیل پارامترهای طبقه‌بندی داده‌های LiDAR (عرض پژواک، دامنه، شیب، مقادیر ارتفاع سفارشی،
این بررسی به دو مرحله آزمایشی تقسیم می شود. در مرحله اول، فرآیند درخت تصمیم LiDAR که در بالا ذکر شد اعمال می شود. در مرحله دوم آزمایش، نتایج طبقه‌بندی ضعیف انتخاب می‌شوند و سپس پارامترهای باند NDVI و تصویر NIR-2 اضافه می‌شوند تا بررسی شود که آیا افزودن داده‌های LiDAR به داده‌های تصویر می‌تواند دقت طبقه‌بندی کلی را بهبود بخشد.
گوو و همکاران [ 1 ] از روش طبقه‌بندی تصادفی جنگل برای طبقه‌بندی نشانه‌های شهری با استفاده از پارامترهای چند طیفی، LiDAR شکل موج کامل و چند طیفی سنتی استفاده کرد. در تحقیقات آنها، چهار پارامتر ارتفاع، دامنه، عرض و شکل موج بازتابی به عقب برای تعریف کلاس ساختمان اعمال شده است. پارامترهای شکل موج کلاس زمین مصنوعی اهمیت نسبتا کمی دارند.
برای تشخیص پوشش گیاهی در مناطق شهری، هوفل و همکاران. [ 2 ] از یک شبکه عصبی، طبقه‌بندی درخت تصمیم و LiDAR شکل موج کامل به عنوان پارامتر برای جمع‌آوری داده‌ها استفاده می‌کند. اثرات پژواک های متعدد، تقسیم بندی شبکه ای، تصحیح رادیومتری و طبقه بندی بر روی تشخیص پوشش گیاهی در مناطق شهری تجزیه و تحلیل، مقایسه و مورد بحث قرار می گیرد. نتایج نشان می‌دهد که دقت طبقه‌بندی با روش‌های طبقه‌بندی فوق تا 98 درصد می‌رسد و چگالی نقطه-ابر را می‌توان به طور موثری به 10 کاهش داد (pts/m2 ) . داده‌های LiDAR شکل موج کامل قطعاً شرایط توصیف اشیاء را بهبود می‌بخشد و می‌تواند به طور موثر به تشخیص اشیاء کمک کند. وو و همکاران [ 3] جنگل تصادفی (RF) را به عنوان طبقه بندی کننده انتخاب کرد. باندهای طیفی GF-2، NDVI و مدل سطح دیجیتال نرمال شده به دست آمده از داده های LiDAR و بافت های ماتریس هم رخداد سطح خاکستری (GLCM) شامل میانگین، واریانس، همگنی، کنتراست، عدم تشابه، آنتروپی، لحظه دوم و همبستگی، برای ایجاد هفت سناریو با ترکیب های مختلف متغیرهای ورودی RF ایجاد شد. هدف این مطالعه ارائه مرجعی برای بهبود کارآمد طبقه‌بندی پوشش زمین و ارائه پشتیبانی برای گسترش کاربردهای الگوریتم‌های طبقه‌بندی و منابع داده است.

2. نظریه

2.1. LiDAR

سیستم LiDAR شکل موج کامل، شکل موج پژواک را با نمونه‌برداری متراکم، ثبت مقدار عدد دیجیتال پیوسته (DN)، ثبت شکل موج پژواک که توسط مواد مختلف منعکس می‌شود، و کسب اطلاعات نقطه-ابر در شکل موج کامل از طریق پس پردازش شکل موج، ثبت می‌کند. اطلاعات نقطه-ابر شکل موج کامل کاملتر از اطلاعات چند پژواک نقطه-ابر سنتی است [ 4 ]. اطلاعات کامل شکل موج ثبت می شود و داده های نقطه-ابر متراکم تر می شود. از پژواک چندگانه سنتی در مطالعه طبقه بندی و کاربرد ارزشمندتر است [ 5 ].
ابر نقطه LiDAR شکل موج کامل بر پیچیدگی شکل موج بازگشتی به دلیل اندازه ردپا هنگام ثبت سطح تأثیر می گذارد. ردپای بزرگ منطقه وسیعی از زمین را می پوشاند. پیچیدگی شکل موج ثبت شده نسبتاً زیاد است، که تجزیه و تحلیل و پردازش آن در تحلیل پس از پردازش دشوار است. مزیت ردپای بزرگ این است که منطقه تحقیقاتی را می توان به سرعت اسکن کرد. ابر نقطه ردپای کوچک منطقه کوچکی را پوشش می دهد و اطلاعات شکل موج ثبت شده نسبتا ساده است. برای دستیابی به افزایش چگالی نقطه-ابر، باید فرکانس اسکن را افزایش داد. در حال حاضر، بیشتر LiDARهای تجاری عمدتاً دارای ردپای کوچک هستند [ 6 ].

2.2. NDVI

هر چه رشد گیاهان رنگارنگ قوی‌تر باشد، کلروفیل نور قرمز بیشتری جذب می‌کند و انعکاس نور مادون قرمز قوی‌تر می‌شود. تفاوت بین این دو مورد استفاده قرار می گیرد: نسبت تفریق و جمع. NDVI واحد ندارد و مقدار آن از -1.0 تا 1.0 متغیر است. هر چه این مقدار بزرگتر باشد، رشد گیاه بیشتر می شود. فرمول به شرح زیر است:

نDVمن=(نمنآر-آرهد)(نمنآر+آرهد)
در فرمول، NIR و Red به ترتیب نشان دهنده باند نور مادون قرمز نزدیک و باند نور قرمز هستند و مقدار خروجی NDVI بین -1.0 و 1.0 است. افزایش مثبت در مقدار NDVI نشان دهنده درجه افزایش پوشش گیاهی است. مقدار نزدیک به 0 یا منفی، نشان دهنده عدم وجود پوشش گیاهی است. برای مکان هایی با توزیع پوشش گیاهی، مقدار NDVI بالاتری وجود خواهد داشت . با انعکاس بیشتر باند نور مادون قرمز نزدیک و بازتاب کمتر باند نور قرمز، مکانی با توزیع پوشش گیاهی متراکم یک NDVI تولید می کند.مقدار آن بین 0.1 تا 0.6 است و مقدار آن به تراکم و سبز شدن بالای گیاه بستگی دارد. خاک و مواد سنگی مقادیر نزدیک به 0 را تولید می کنند، زیرا این دو در نوارهای قرمز و مادون قرمز نزدیک مقادیر مشابهی دارند و آب، ابرها و برف دارای مقادیر باند قرمز بالاتری نسبت به نوار نزدیک به مادون قرمز خواهند بود. مقادیر منفی تولید خواهد کرد. بنابراین، برای استفاده از روش NDVI برای استخراج اطلاعات پوشش گیاهی، آستانه باید به صورت دستی تنظیم شود تا بتوان آن را بر روی تصاویر ماهواره ای مختلف اعمال کرد.

2.3. طبقه بندی درخت تصمیم

فناوری استخراج درخت تصمیم الگوریتمی است که ساختار درخت و نمودار را تقسیم و پیش‌بینی می‌کند. تکنیک‌های طبقه‌بندی چند مرحله‌ای نیز ممکن است، که در آن مجموعه‌ای از تصمیم‌ها برای تعیین برچسب صحیح برای یک پیکسل گرفته می‌شود. طبقه بندی کننده های چند مرحله ای رایج تر درخت تصمیم [ 7 ] نامیده می شوند. آنها از تعدادی طبقه‌بندی‌کننده (یا گره‌های تصمیم‌گیری) متصل تشکیل شده‌اند که انتظار نمی‌رود هیچ یک از آنها تقسیم‌بندی کامل مجموعه داده‌های تصویر را انجام ندهند.
اغلب، استراتژی های درخت تصمیم را می توان به صورت دستی طراحی کرد، به ویژه زمانی که آنها برای انجام وظایف برچسب گذاری کاملاً خاص مورد نیاز هستند [ 8 ]. با این حال، مانند آموزش طبقه‌بندی‌کننده تک مرحله‌ای و شبکه عصبی، وجود رویه‌های طراحی خودکار در دسترس است. از آنجایی که تعداد ساختارهای درختی ممکن، حتی برای تعداد نسبتاً کمی از طبقات، نجومی است، طراحی یک طبقه‌بندی‌کننده بهینه بسیار دشوار است [ 9 ]. با این حال، دقت و کارایی طبقه بندی به شدت به درخت انتخاب شده بستگی دارد. بنابراین، روش‌های اکتشافی مختلفی برای طراحی درخت تصمیم توسعه یافته‌اند که جزئیات آن را می‌توان در صفویان و لندگرب [ 10 ] یافت.
برای آسان‌تر کردن کار طراحی، درخت‌های تصمیم دودویی اغلب به کار گرفته می‌شوند. توانایی تشخیص لزوماً با انتخاب یک رویکرد باینری تضعیف نمی شود، زیرا یک درخت تصمیم گیری کلی می تواند به طور منحصر به فرد به یک درخت دودویی معادل تبدیل شود [ 11 ]]. درخت تصمیم، درخت طبقه بندی نیز نامیده می شود. درخت تصمیم یکی از توابع رایج طبقه بندی در فناوری پردازش داده کاوی است. این مطالعه از درختان طبقه بندی و رگرسیون (CART) در متلب برای طبقه بندی داده های نقطه-ابر استفاده می کند. CART یکی از رایج ترین ابزارهای تشخیص داده و تجزیه و تحلیل داده است که می تواند به طور خودکار ساختار بالقوه، الگوهای مهم و روابط داده های بسیار پیچیده را شناسایی کند. اصل اساسی CART استفاده از محاسبه آنتروپی برای تقسیم داده های نمونه به دو قسمت است و هر بار داده ها به دو زیر مجموعه تقسیم می شوند. سپس با توجه به نمونه های آموزشی مختلف، طبقه بندی لایه به لایه انجام می شود. گره درختی در بالای درخت طبقه بندی معمولاً بیشترین تأثیر را بر داده های طبقه بندی شده دارد.12 ].

2.4. ارزیابی دقت

اولوفسون و همکاران [ 13 ] پروتکل های اساسی مورد نیاز برای تولید دقت علمی دقیق و شفاف و برآوردهای منطقه را مورد بحث قرار دادند. این مجموعه از توصیه‌های عملکرد خوب، دستورالعمل‌هایی را برای کمک به دانشمندان و متخصصان در طراحی و اجرای روش‌های ارزیابی دقیق و برآورد مساحت برای ارزیابی تغییر زمین با استفاده از سنجش از دور ارائه می‌کند.
برای ارزیابی و اعتبارسنجی نتایج طبقه‌بندی، صحت نتایج طبقه‌بندی با توجه به داده‌های ابر نقطه واقعی که به صورت دستی ترسیم شده است، ارزیابی می‌شود. روش مورد استفاده برای ارزیابی دقت طبقه بندی، ماتریس خطا است. همانطور که در جدول 1 نشان داده شده است ، این روش از ارجاعات جغرافیایی معتبر برای تایید کیفیت داده های طبقه بندی شده استفاده می کند که بیشتر توسط دقت کاربر (UA)، دقت تولید کننده (PA) و دقت کلی (OA) تایید می شود [ 14 ، 15 ].
فرض بر این است که دسته بندی های طبقه بندی شده توسط داده های صدق زمینی در مجموع N دسته از A تا N هستند. نتایج طبقه‌بندی درخت تصمیم مورد استفاده در این مطالعه از a تا n در مجموع n دسته است. آنها به ترتیب در ابسیسا و مختصات ماتریس خطا فهرست شده اند. مقدار هر مختصات از X (1، 1) تا X ( n ، N ) در ماتریس با تعداد ابرهای نقطه طبقه بندی شده پر می شود.

دقت کاربر (UA): معنای مختصات ردیف رده A در ماتریس خطا همان روشی است که در این مطالعه برای طبقه بندی اشیاء دسته A در مختصات طبقه بندی شده برای داده های واقعی در نور استفاده شده است. تعداد ابرهای نقطه ای در رده A در X (1، 1) پر شده است. در مختصات رده A، تعداد پیکسل های رده B در X پر می شود (2، 1). به منظور تعیین اینکه آیا ابرهای نقطه در کلاس A توسط این مطالعه به عنوان N طبقه بندی می شوند یا اینکه به صورت متوالی پر می شوند، پس از تکمیل مختصات ردیف کلاس A، می توان تعیین کرد که در مختصات اشیاء کلاس A داده های واقعی، کلاس های B تا n از X (2، 1) تا X ( n، 1) تعداد ابرهای نقطه ای طبقه بندی شده اشتباه هستند و کلاس های a از X (1، 1) تعداد صحیح ابرهای نقطه ای هستند که می توانند توسط این مطالعه به طور کامل در مختصات کلاس A طبقه بندی شوند. بنابراین، دقت کاربر به عنوان اشیاء طبقه بندی شده واقعی تعریف می شود. از این روش می توان برای طبقه بندی نسبت به اشیاء واقعی استفاده کرد و سپس ماتریس خطا تکمیل می شود.

Uآ=ایکس(1،1)∑من=1nایکس(من،1)×100%

تعداد ابرهای نقطه ای طبقه بندی شده اشتباه به عنوان خطای کمیسیون ( CE ) تعریف می شود.

سیE=∑من=1nایکس(من،1)-ایکس(1،1)∑من=1nایکس(من،1)×100%=1-Uآ

دقت تولید کننده ( PA ): معنای مختصات فهرست شده در رده A در ماتریس خطا نشان می دهد که چه مقدار از دسته A در این مطالعه در LiDAR به دسته A واقعی تعلق دارد. باقیمانده X (1، 2) تا X (1، N ) در واقع متعلق به دسته اصلی B به N هستند. بنابراین، دقت تولید کننده به عنوان ابر نقطه ای که این مطالعه به عنوان دسته A طبقه بندی می کند و نسبت رده محلی واقعی A تعریف می شود.

پآ=ایکس(1،1)∑من=1نایکس(1،من)×100%

به جز ابرهای نقطه X (1، 1) که در این مطالعه به عنوان دسته A طبقه بندی می شوند و واقعاً دسته A هستند، ابرهای نقطه باقیمانده به عنوان خطای حذف ( OE ) تعریف می شوند زیرا گم شده اند و به عنوان دسته A طبقه بندی نمی شوند.

OE=∑من=1نایکس(1،من)-ایکس(1،1)∑من=1نایکس(1،من)×100%=1-پآ

پس از تکمیل ماتریس خطا، عناصر مورب X (1، 1)، X (2، 2)، X (3، 3) …، X ( n ، N ) تعداد ابرهای نقطه ای هستند که به طور کامل به درستی طبقه بندی شده اند، بنابراین تعداد ابرهای نقطه ای که به طور کامل به درستی طبقه بندی شده اند تعریف شده است و نسبت به تمام اعداد ابر دقت کلی ( OA ) است.

Oآ=∑من=1نایکس(من،من)∑من=1n∑j=1نایکس(من،j)×100%

آمار کاپا، که توسط عملیات متقابل ماتریس های خطا ایجاد می شود، می تواند خطای کل طبقه بندی نقطه-ابر را نشان دهد و عوامل قضاوت نادرست و حذف را در نظر بگیرد تا شاخصی از نتایج خوب طبقه بندی ارائه دهد. با طبقه بندی تصادفی مقایسه می شوند.

کآپپآ=تیoتیآل Ovهrآلل آججتوrآجy-Eایکسپهجتیهد آججتوrآجy1-Eایکسپهجتیهد آججتوrآجy=ن∑من=0nایکسمنمن-∑من=0n(ایکسمن+·ایکس+من)ن2-∑من=0n(ایکسمن+·ایکس+من)

3. فرآیند و روش تحقیق

3.1. حوزه تحقیقاتی

این مقاله پردیس واقع در شهر تائویوان را به عنوان منطقه مطالعه در نظر می گیرد (همانطور که در شکل 1 نشان داده شده است). این تصویر، عکسی است که توسط LiDAR در همان دوره گرفته شده است. اگرچه برد آن تنها 650 متر × 600 متر است، این منطقه برای انجام تأیید نتایج طبقه بندی مناسب است. میانگین ارتفاع در منطقه تحقیقاتی حدود 200 متر است و ویژگی های تحت پوشش عبارتند از: انواع درختان، ساختمان ها، جاده های آسفالته، زمین PU، کف سیمانی، علفزار و سایر ویژگی ها. ارتفاع طبقات ساختمان های منطقه کمتر از سه طبقه است و علفزار عمدتاً چمن کوتاه است. داده‌های LiDAR جمع‌آوری‌شده، داده‌های LiDAR با شکل موج کامل LMS-Q680i هستند. با توجه به اینکه ویژگی های زمین (پوشش گیاهی) بسته به فصل، صحنه های مختلفی را نشان خواهند داد، تصاویر ماهواره ای جمع آوری شده عمدتاً تصاویر ماهواره ای WorldView-2 هستند.

3.2. جریان کار

این تحقیق بر تجزیه و تحلیل داده های LiDAR و تصاویر ماهواره ای متمرکز است. ما از پارامترهای LiDAR و تصاویر ماهواره ای برای طبقه بندی اشیاء بر اساس داده های نقطه-ابر LiDAR استفاده کردیم و پارامترهای تصویر را به داده های نقطه-ابر اضافه کردیم تا بررسی کنیم که آیا می توان دقت طبقه بندی را بهبود بخشید. نمودار جریان کار در شکل 2 در زیر نشان داده شده است.

3.3. جمع آوری داده ها و پردازش تصاویر ماهواره ای

3.3.1. تصاویر ماهواره ای WorldView-2

WorldView-2 سومین ماهواره نوری با وضوح بالا است که متعلق به American Digital Globe است. این ماهواره دارای وضوح نوری بالای 50 سانتی متر و یک ماهواره سنجش از دور نوری با وضوح بالا تجاری است که هشت باند را ارائه می دهد. داده های تصویر چند طیفی هشت باند پارامترهای بیشتری را برای تحقیقات سنجش از دور فراهم می کند. علاوه بر باندهای سنتی چند طیفی قرمز، سبز، آبی و نزدیک مادون قرمز-1 (NIR-1)، چهار باند مانند لبه قرمز، ساحلی، زرد و نزدیک مادون قرمز-2 (NIR-2) اضافه شده است. . باند NIR-2 دارای محدوده طیفی بین 860 تا 1040 نانومتر است. این نوار در مقایسه با NIR-1 کمتر تحت تأثیر تداخل جو زمین قرار می گیرد و برای تحقیق و کاربرد گیاهان یا کیفیت بیولوژیکی مناسب است.
3.3.2. ترکیب و پردازش تصویر
فناوری Image Fusion می تواند به طور موثری تصاویر تمام رنگی با وضوح بالا و تصاویر رنگی چند طیفی با وضوح پایین را ترکیب کند تا با هم ترکیب شود و به مقدار زیادی داده که هم تصاویر با وضوح بالا و هم تصاویر رنگی چند طیفی را حفظ می کند. هدف به دست آوردن اطلاعات بیشتر از یک تصویر است. بهبود کیفیت تصویر برای ادغام داده های تفسیری عکس توسط گراس و شات [ 16 ] و ون در میر [ 17 ] بحث شده است.
در این مطالعه از نرم افزار ERADS IMAGINE برای پردازش ترکیب تصویر استفاده شد و روش مورد استفاده، آنالیز اجزای اصلی (PCA) برای ترکیب محاسباتی بود. در تصاویر World View-2 جمع آوری شده توسط این موسسه، وضوح تصویر چند طیفی در شکل 3 a,b 2.2 متر و وضوح تصویر تمام رنگی در شکل 3 c,d 0.5 است. متر با استفاده از نرم افزار ERDAS IMAGINE اجزای اصلی دو نوع تصویر با هم ترکیب می شوند. پس از ادغام، وضوح تصویر رنگی به 0.6 متر افزایش می یابد، همانطور که در شکل 3 e,f نشان داده شده است.
3.3.3. محاسبه NDVI
ما از باند NIR-1 و نوار قرمز در تصویر ماهواره ای برای محاسبه مقدار NDVI و از نرم افزار Matlab برای محاسبه تصویر NDVI استفاده می کنیم (همانطور که در شکل 4 نشان داده شده است ).

3.4. جمع آوری داده ها و پردازش تصویر هوابرد LiDAR

3.4.1. جمع آوری و پردازش داده های ابر نقطه ای LiDAR

داده های LiDAR جمع آوری شده در این مقاله با اسکن شهر Taoyuan با LMSQ680i هوابرد LiDAR به دست آمده است. LMS-Q680i یک سیستم LiDAR بدون بار شکل موج کامل است که توسط شرکت Riegl ساخته شده است. اسکن خطی خوبی دارد. سرعت اسکن روش چیدمان نقطه به 266000 نقطه در ثانیه می رسد و خط اسکن 10-200 خط در ثانیه است. در این مطالعه، سیستم موقعیت یابی و جهت یابی در LiDAR و ایستگاه ردیابی زمینی GPS ساختمان تسلیحات محوطه دانشگاه نویسنده به طور همزمان مورد آزمایش قرار گرفتند. پس از دانلود داده‌های LiDAR، داده‌های ایستگاه ردیابی زمینی اندازه‌گیری مشترک همزمان برای پردازش به داده‌های LiDAR وارد شد. ما داده های مختصات نقطه-ابر درست را به دست آوردیم و اطلاعات مربوط به سیستم موقعیت یابی و جهت یابی در شکل 5 نشان داده شده است..
داده های LiDAR مورد استفاده در این منطقه مورد مطالعه برای داده های LiDAR دو باند پرواز (همانطور که در شکل 5 نشان داده شده است ) گرفته شد. میانگین ارتفاع اندازه گیری حدود 1500 متر و میانگین چگالی نقطه-ابر 2 نقطه بر متر است.
از آنجایی که فرمت داده‌های سیستم LiDAR هر شرکت متفاوت است، برای اینکه داده‌های شرکت‌های مختلف قابل تعویض باشند، انجمن فتوگرامتری و سنجش از راه دور آمریکا (APSRS) «استاندارد فرمت تبادل داده‌های ASPRS LIDAR (LAS1.0) را صادر کرد. در ماه مه 2003. LAS به طور متوالی نسخه های LAS1.1، 1.2، 1.3، 1.4 و 2.0 را منتشر کرد.
این تحقیق عمدتاً از فرمت داده LAS1.2 استفاده می کند. در این تحقیق از برنامه Riegl نیز برای تبدیل فرمت داده فایل ASCII و پارامترهای خروجی ASCII عرض پالس استفاده شد. پس از به دست آوردن داده های نقطه-ابر منطقه مورد مطالعه، مرحله اول مطالعه، طبقه بندی و مقایسه دقت بین داده های نقطه-ابر اصلی و داده های ابر نقطه پس از میانگین همسایگی است.
میانگین‌گیری همسایگی نقطه-ابر در این تحقیق عمدتاً از دستور Neighborhood Toolset در مجموعه ابزار تحلیل همسایگی نرم‌افزار ArcGIS برای انجام تحلیل میانگین‌گیری نقطه-ابر استفاده می‌کند. از مقادیر عرض، دامنه و شیب در داده های نور برای ورود به عملیات طبقه بندی درخت تصمیم استفاده می کند. در داده‌های اولیه، مشخص شد که توزیع مقادیر ویژه نقطه-ابر بسیار گسسته بوده و در نتیجه نویز زیادی ایجاد می‌شود، بنابراین از تحلیل همسایگی برای تجزیه و تحلیل فضا استفاده شد. ویژگی‌های ابر نقطه‌ای برای فیلتر کردن مقادیر بیش از حد نویز متوسط ​​می‌شوند، که توزیع ویژگی متوسط‌تری را به دست می‌آورد. نتایج تجزیه و تحلیل در شکل 6 ، شکل 7 و شکل 8 نشان داده شده است ، جایی که شکل 6a نقشه تصویری است که توسط داده های اصلی ارائه شده است و شکل 6 b تصویر میانگین گیری شده توسط همسایگی است. از شکل می توان دریافت که میانگین توزیع رنگ تصویر بعد از همسایگی صاف تر است، که نشان می دهد نویز بیش از حد فیلتر شده است. نویز بیش از حد باعث قضاوت نادرست طبقه بندی درخت تصمیم می شود. این تحقیق انتظار دارد که دقت طبقه بندی را پس از فیلتر کردن برای حذف نویز بهبود بخشد.
3.4.2. استخراج ارزش ویژگی داده LiDAR
پارامترهای LiDAR که عمدتاً در این مطالعه مورد استفاده قرار می‌گیرند شامل مقدار دامنه، مقدار عرض پالس، مقدار شیب و مقدار ارتفاع سفارشی است. مقدار دامنه و مقدار عرض موج مقادیری هستند که با برازش گاوسی شکل موج اکو توسط برنامه Riegl محاسبه می‌شوند. پس از برازش، شکل موج یک منحنی توزیع گاوسی را ارائه می دهد [ 18 ]. مقدار دامنه بالاترین مقدار شدت سیگنال شکل موج است، نیم حداکثر عرض کامل (FWHM) شکل موج، مقدار عرض موج است، و FWHM به عنوان مقدار عرض موج شکل موج تعریف می شود زمانی که انحراف استاندارد توزیع گاوسی است. 22لn2σ≈2.3548σ. دامنه و عرض شیب ابر نقطه را می توان از شکل موج برازش شده توسط برنامه Riegl [ 19 ] بدست آورد.]. مقدار شیب، مقدار شیب نقطه-ابر است که با استفاده از تحلیل شیب در نرم افزار ArcGIS محاسبه می شود. شیب نشان دهنده تندترین موقعیت در شیب سطح است. داده‌های LiDAR داده‌های نقطه‌ای مکانی سه‌بعدی هستند. ویژگی های موجود در منطقه مورد مطالعه را می توان با توجه به ارتفاع آنها طبقه بندی کرد که می توان از آنها به عنوان پارامترهای طبقه بندی استفاده کرد. در منطقه مورد مطالعه، با توجه به مشاهده واقعی زمین توسط مردم، بیشتر آنها علفزار و 0.5 متر ارتفاع دارند. سازه های دست ساز زمینی انواع اصلی هستند، 0.5 تا 2.5 متر عمدتاً سایبان میانی و ساختمان های کوتاه و 2.5 متر یا بیشتر ساختمان های مرتفع و سایبان بلند هستند. بنابراین، مطالعه این سه سطح را به عنوان مقادیر پارامتر ارتفاع سفارشی تنظیم کرد. لایه اول 0 تا 0.5 متر، لایه دوم 0.5 تا 2.5 متر، لایه سوم بیش از 2 متر است.شکل 9 )، و مقدار ارتفاع خود تعریف شده به عنوان پارامتر طبقه بندی درخت تصمیم استفاده می شود.

3.5. جستجوی داده های حقیقت زمینی

داده‌های ارزش واقعی در این منطقه مورد مطالعه از طریق اکتشاف واقعی و مقایسه داده‌های عکس هوایی به سایه‌بان، ساختمان، علفزار، جاده و سایر زمین‌ها (PU، زمین سیمانی، زمین گل برهنه) تقسیم می‌شوند. پس از اتمام طبقه بندی ها، تصاویر طبقه بندی شده به عنوان مرجع ارزش صدق استفاده می شوند و سپس مقدار واقعی ابر نقطه رسم می شود. مقدار واقعی ابر نقطه در شکل 10 نشان داده شده است . داده های حقیقت عمدتاً در تأیید نتایج طبقه بندی استفاده می شود.

4. نتایج

این مطالعه به دو مرحله آزمایشی تقسیم شده است. آزمایش مرحله اول، مقایسه و تحلیل ابر نقطه اصلی با ابر نقطه پس از میانگین همسایگی است. آزمایش مرحله دوم، نواحی با طبقه بندی ضعیف را در آزمایش مرحله اول مجدداً تجزیه و تحلیل می کند، منطقه مورد مطالعه را کاهش می دهد و نمونه گیری مجدد را انجام می دهد. در همان زمان، مقادیر باند NDVI و NIR-2 در داده ها و داده های نقطه-ابر برای محاسبه مجدد درخت تصمیم اضافه می شوند. پس از تکمیل، نتایج مقایسه و تجزیه و تحلیل می‌شوند و مشخص می‌شود که آیا افزودن داده‌های تصویری می‌تواند دقت طبقه‌بندی ابرهای نقطه‌ای را بهبود بخشد یا خیر.
سطوح هرس درخت تصمیم گیری طبقه بندی نشده متفاوت است. برای داشتن یک استاندارد مقایسه یکپارچه، درخت تصمیم به عنوان مبنای مقایسه دقت در 10 سطح هرس هرس می شود و سپس وضعیت خطا و برازش 10 سطح هرس از طریق نمودار برازش مشاهده می شود تا در مورد ویژگی ها قضاوت شود. از داده های طبقه بندی فرمول عملیات هر گره درخت تصمیم، نتیجه ای است که با داده های نمونه گیری عملیات درخت تصمیم قضاوت می شود. هر چه فرمول عملیات گره ریشه نزدیکتر باشد، پارامترهای آن اهمیت بیشتری دارد.

4.1. آزمایش مرحله اول: ارزش اصلی و طبقه بندی ابر نقطه میانگین همسایگی

مرحله اول آزمایش عمدتاً از داده های LiDAR برای طبقه بندی استفاده کرد. در این مقاله، ویژگی‌های منطقه مورد مطالعه به پنج دسته ساختمان، سایبان، علفزار، جاده و سایر دسته‌های زمینی تقسیم می‌شوند، در حالی که سایر دسته‌های زمینی شامل زمین سیمانی، زمین PU و زمین گلی برهنه است. مقادیر اصلی ابر نقطه و ابر نقطه به طور میانگین توسط همسایگی به درخت های تصمیم طبقه بندی می شوند و صحت نتایج پس از تکمیل طبقه بندی ارزیابی می شود.
ابتدا، نمونه های آموزشی را در منطقه مورد مطالعه انتخاب کردیم و نواحی آموزشی را برای پنج دسته ویژگی حلقه زدیم. ناحیه تمرین دایره‌ای با قرار دادن داده‌های نقطه-ابر LiDAR با تصاویر ارتوفوتو عکس هوایی که همزمان گرفته شده‌اند برای کمک به درک نقطه تشکیل می‌شود. با توجه به توزیع واقعی ویژگی های ابر و پس از بررسی ویژگی های واقعی محققین، محدوده منطقه آموزشی برای منطقه مورد مطالعه انتخاب شد، همانطور که در شکل 11 نشان داده شده است.. رنگ های انتخاب شده در محوطه تمرین عبارتند از: قرمز برای ساختمان ها، آبی برای تاج ها، سبز برای علفزار، نارنجی برای جاده ها و بنفش برای سایر انواع زمین. نمونه برداری برای نمونه برداری از ابر نقطه با توجه به ارتفاع خود تعریف شده از مطالعه است. نمونه‌های ابر نقطه‌ای طبقه‌های دوم و سوم مقادیر ارتفاع مشخص شده برای ساختمان‌ها و تاج درختان و نمونه‌های ابر نقطه‌ای طبقه‌های دوم و اول برای جاده‌ها، مراتع و سایر طبقات زمینی گرفته شده‌اند. در ناحیه نمونه برداری، نواحی همپوشانی آبی و بنفش وجود دارد. آبی ابر نقطه روی تاج و بنفش ابر نقطه زیر تاج است. ما از مقادیر دامنه، عرض و شیب در داده‌های LiDAR برای ترسیم هیستوگرام از داده‌های منطقه تمرین نمونه‌برداری شده استفاده کردیم و آمار هیستوگرام را در جدول 2 ثبت کردیم .جدول 3 و جدول 4 . جدول آماری نسبت میانگین مقدار دامنه همسایگی را نشان می دهد. مقدار کلی انحراف استاندارد نسخه اصلی به میزان 21.61 درصد کاهش می یابد، مقدار عرض پالس متوسط ​​همسایگی به میزان 55.07 درصد کمتر از مقدار استاندارد اصلی است و مقدار شیب متوسط ​​همسایگی به میزان 25.45 درصد کمتر از مقدار استاندارد اصلی است. به این معنی است که ابر نقطه در همسایگی میانگین می شود، که می تواند نویز بیش از حد ابر نقطه را فیلتر کند و توزیع متوسط ​​مقادیر ویژه ابر نقطه را بهبود بخشد.

4.1.1. طبقه بندی درخت تصمیم بر اساس ارزش های اصلی

مقدار دامنه اصلی، مقدار عرض موج، مقدار شیب و مقدار نقطه-ابر در ناحیه نمونه برداری از مقدار ارتفاع خود تعیین شده توسط MATLAB طبقه بندی می شوند. سطح هرس درخت تصمیم اصلی بدون هرس 83 سطح است و درخت تصمیم به 10 سطح هرس می شود، همانطور که در شکل 12 نشان داده شده است. پس از تکمیل محاسبه درخت تصمیم، تمام ابرهای نقطه LiDAR را در منطقه مورد مطالعه استخراج می کنیم و داده های نقطه-ابر را که مطابق با عملیات طبقه بندی درخت تصمیم هستند، همانطور که در شکل 13 نشان داده شده است، استخراج می کنیم . شکل 13 a-c به ترتیب نتایج نمایه نقطه-ابر محلی و نتایج طبقه بندی نقطه-ابر در منطقه مورد مطالعه، و همچنین نقشه های مقایسه و توضیح را نشان می دهد.شکل 13 a ناحیه نیم رخ نقطه-ابر را نشان می دهد که در کادر آبی روشن شکل 13 ج نشان داده شده است، که از آن می توان توزیع نتایج نقطه-ابر را مشاهده کرد. شکل 13 ب نتایج طبقه بندی کل منطقه مورد مطالعه را نشان می دهد و شکل 13 ج نشان دهنده اهمیت رنگ در عکس های هوایی مقایسه و نتایج توضیح است.
4.1.2. طبقه بندی درخت تصمیم بر اساس میانگین همسایگی
مقدار دامنه، مقدار عرض موج، مقدار شیب و داده های نقطه-ابر ارتفاع خود تعیین شده در داده های میانگین نقطه-ابر همسایگی توسط برنامه MATLAB طبقه بندی می شوند. سطح هرس درخت تصمیم اصلی بدون هرس 58 سطح است و شاخه ها تا 10 سطح هرس می شوند، همانطور که در شکل 14 نشان داده شده است. پس از تکمیل محاسبه درخت تصمیم، تمام ابرهای نقطه LiDAR را در منطقه مورد مطالعه طبقه بندی و استخراج می کنیم و داده های نقطه-ابر را که مطابق با محاسبه طبقه بندی درخت تصمیم هستند، استخراج می کنیم، همانطور که در شکل 15 نشان داده شده است. شکل 15a-c به ترتیب نشان دهنده نتایج نمایه نقطه-ابر محلی و نتایج طبقه بندی نقطه-ابر در منطقه مورد مطالعه و همچنین نقشه های مقایسه و توضیح است. شکل 15 الف ناحیه نیم رخ نقطه-ابر را نشان می دهد که در کادر آبی روشن شکل 15 ج نشان داده شده است، که از آن می توان توزیع نتایج نقطه-ابر را مشاهده کرد. شکل 15 ب نتایج طبقه بندی کل منطقه مورد مطالعه را نشان می دهد و شکل 15 ج نشان دهنده اهمیت رنگ در عکس های هوایی مقایسه و نتایج توضیح است.
4.1.3. نمایش نتایج تحقیق و تجزیه و تحلیل دقت
ما ماتریس خطای داده های حقیقت و نتایج طبقه بندی شده را محاسبه کردیم (همانطور که در جدول 5 و جدول 6 نشان داده شده است.)، دقت طبقه‌بندی مقدار اصلی و میانگین محله را پیدا کرد و دقت کلی میانگین همسایگی در منطقه تأیید انتخابی 83 درصد بالاتر از مقدار اصلی 7 درصد بود. کاپا بالاتر از مقدار اصلی 5.92٪ است. نتایج ارزیابی دقت تأیید می‌کند که طبقه‌بندی ارزش نقطه-ابر پس از میانگین همسایگی می‌تواند نتایج طبقه‌بندی مقدار اصلی را بهبود بخشد. از ماتریس خطا، طبقه بندی نقطه-ابر روی زمین قابل مشاهده است. دقت طبقه بندی اشیا نسبتا ضعیف است. میانگین رده زمین محله ها برای جاده ها، چمن ها و سایر زمین ها به ترتیب 87، 58 و 48 درصد است. در مقایسه با 96 درصد برای ساختمان ها و 97 درصد برای سایبان، دقت طبقه بندی نسبتاً پایین است.

4.2. آزمایش مرحله دوم: افزودن داده های تصویری به طبقه بندی میانگین همسایگی

نتایج تحقیق آزمایشی مرحله اول نشان می‌دهد که طبقه‌بندی درخت تصمیم به‌طور میانگین در محله نتایج بهتری دارد، اما نتایج طبقه‌بندی در دسته زمین (علفزار، جاده، سایر دسته‌های زمین) رضایت‌بخش‌تر نیست، بنابراین آزمایش مرحله دوم. در مرحله‌ای که طبقه‌بندی تجربی خوب نیست، رتبه اول را می‌گیرد و مقدار NDVI و داده‌های باند NIR-2 تصویر ماهواره‌ای برای طبقه‌بندی و ارزیابی دقت اضافه می‌شوند. سوال این است که آیا افزودن اطلاعات تصویر در آزمایش می تواند دقت طبقه بندی ابر نقطه را بهبود بخشد؟
مرحله دوم آزمایش عمدتاً پنج طبقه‌بندی داده‌های LiDAR را انجام داد، یعنی ساختمان، سایبان، علفزار، جاده و سایر دسته‌های زمین، که در میان آنها سایر دسته‌های زمین شامل زمین سیمانی، زمین PU و زمین گل برهنه است. پس از آن، ابرهای نقطه ای NDVI و NIR-2 برای طبقه بندی درخت تصمیم به میانگین همسایگی اضافه شدند و صحت نتایج پس از تکمیل طبقه بندی مورد ارزیابی قرار گرفت.

4.2.1. انتخاب دایره در منطقه آموزشی درخت تصمیم

ما داده های منطقه مورد مطالعه را دوباره محاسبه کردیم. از آنجایی که نتایج طبقه‌بندی آزمایش مرحله اول نشان داد که قضاوت نادرست در طبقه زمین آسان‌تر است، منطقه با قضاوت نادرست بیشتر در منطقه مورد مطالعه به عنوان منطقه مورد مطالعه آزمایش مرحله دوم در نظر گرفته شد (همانطور که در شکل 16 نشان داده شده است.، مقدار NDVI و مقدار NIR-2 تصویر به داده های ویژگی داده LiDAR اضافه شد و ابر نقطه با توجه به ارتفاع سفارشی مورد مطالعه در طول نمونه برداری نمونه برداری شد. رنگ های انتخاب شده در محوطه تمرین عبارتند از: قرمز برای ساختمان ها، آبی برای سایبان، سبز برای علفزار، نارنجی برای جاده ها و بنفش برای سایر کلاس های زمینی. نمونه‌های ابر نقطه‌ای طبقه‌های دوم و سوم از مقادیر ارتفاع مشخص شده برای ساختمان‌ها و سایبان‌ها، و نمونه‌های ابر نقطه‌ای طبقه‌های دوم و اول برای جاده‌ها، علفزارها و سایر طبقات زمینی گرفته شده‌اند.
4.2.2. طبقه بندی درخت تصمیم بر اساس میانگین همسایگی
مقدار دامنه، مقدار عرض موج، مقدار شیب و داده های نقطه-ابر ارتفاع خود تعیین شده در داده های میانگین نقطه-ابر همسایگی توسط برنامه MATLAB طبقه بندی می شوند. سطح هرس درخت تصمیم اصلی بدون هرس 38 سطح است و شاخه ها تا 10 سطح هرس می شوند، همانطور که در شکل 17 نشان داده شده است. همانطور که در شکل 18 نشان داده شده است، داده های نقطه-ابر را استخراج می کنیم که مطابق با عملیات طبقه بندی درخت تصمیم است . شکل 18 a-c به ترتیب نتایج نمایه نقطه-ابر محلی و نتایج طبقه بندی نقطه-ابر در منطقه مورد مطالعه، و همچنین نقشه های مقایسه و توضیح را نشان می دهد. شکل 18 a ناحیه نیم رخ نقطه-ابر را نشان می دهد که در کادر آبی روشن نشان داده شده استشکل 18 ج، که از آن می توان توزیع نتایج نقطه-ابر را مشاهده کرد. شکل 18 ب نتایج طبقه بندی کل منطقه مورد مطالعه را نشان می دهد و شکل 18 ج نشان دهنده اهمیت رنگ در عکس های هوایی مقایسه و نتایج توضیح است.
4.2.3. طبقه بندی درخت تصمیم بر اساس مقدار میانگین همسایگی و ارزش NDVI
مقدار دامنه، مقدار عرض موج، مقدار شیب، مقدار ارتفاع خود تعیین شده و مقدار NDVI در داده‌های میانگین نقطه-ابر همسایگی توسط برنامه MATLAB طبقه‌بندی می‌شوند. سطح هرس درخت تصمیم اصلی بدون هرس 48 سطح است و شاخه ها تا 10 سطح هرس می شوند، همانطور که در شکل 19 نشان داده شده است. پس از تکمیل محاسبه درخت تصمیم، تمام ابرهای نقطه LiDAR را در منطقه مورد مطالعه استخراج می کنیم و داده های نقطه-ابر را که مطابق با عملیات طبقه بندی درخت تصمیم هستند، همانطور که در شکل 20 نشان داده شده است، استخراج می کنیم . شکل 20 a-c به ترتیب نتایج نمایه نقطه-ابر محلی و نتایج طبقه بندی نقطه-ابر در منطقه مورد مطالعه، و همچنین نقشه های مقایسه و توضیح را نشان می دهد.شکل 20 a ناحیه نیم رخ نقطه-ابر را نشان می دهد که در کادر آبی روشن شکل 20 ج نشان داده شده است، که از آن می توان توزیع نتایج نقطه-ابر را مشاهده کرد. شکل 20 ب نتایج طبقه بندی کل منطقه مورد مطالعه را نشان می دهد و شکل 20 ج نشان دهنده اهمیت رنگ در عکس های هوایی مقایسه و نتایج توضیحات است.
4.2.4. اضافه کردن NIR-2 دسته بندی درخت تصمیم گیری ارزش باند بر اساس میانگین همسایگی
مقدار دامنه، مقدار عرض موج، مقدار شیب، مقدار ارتفاع خود تعیین شده و مقدار NIR-2 در داده‌های میانگین نقطه-ابر همسایگی توسط برنامه MATLAB طبقه‌بندی می‌شوند. سطح هرس درخت تصمیم اصلی بدون هرس 43 سطح است و شاخه ها تا 10 سطح هرس می شوند، همانطور که در شکل 21 نشان داده شده است. پس از تکمیل محاسبه درخت تصمیم، تمام ابرهای نقطه LiDAR را در منطقه مورد مطالعه استخراج می کنیم و داده های نقطه-ابر را که مطابق با عملیات طبقه بندی درخت تصمیم هستند، همانطور که در شکل 22 نشان داده شده است، استخراج می کنیم . شکل 22 a-c به ترتیب نتایج نمایه نقطه-ابر محلی و نتایج طبقه بندی نقطه-ابر در منطقه مورد مطالعه و همچنین نقشه های مقایسه و توضیح را نشان می دهد.شکل 22 a ناحیه نیم رخ نقطه-ابر را نشان می دهد که در کادر آبی روشن شکل 22 c نشان داده شده است، که از آن می توان توزیع نتایج نقطه-ابر را مشاهده کرد. شکل 22 ب نتایج طبقه بندی کل منطقه مورد مطالعه را نشان می دهد و شکل 22 ج اهمیت رنگ را در عکس های هوایی مقایسه و نتایج توضیح نشان می دهد.
4.2.5. نمایش دستاورد و تجزیه و تحلیل دقت
ماتریس خطای داده های حقیقت و نتایج طبقه بندی شده را محاسبه کردیم (همانطور که در جدول 7 ، جدول 8 و جدول 9 نشان داده شده است )، میانگین همسایگی را پیدا کردیم، سپس با استفاده از ماتریس خطا، میانگین همسایگی را به دقت طبقه بندی NDVI و NIR-2 اضافه کردیم. برای مقایسه تفاوت بین سه دقت آن.
در مقایسه با میانگین ارزش NDVI اضافه شده به محله، دقت کلی مقدار NDVI 5٪ افزایش یافته است، ارزش کاپا 4.25٪، سایر انواع زمین و چمن در UA 26٪ و 16٪ افزایش یافته است. نوع جاده 3 درصد کاهش یافت در بخش PA، سایر دسته های زمینی، دسته های چمن و دسته های جاده به ترتیب 9، 20 درصد و 6 درصد افزایش یافتند. نتیجه نشان می دهد که طبقه بندی رده زمین بهتر شده است.
در مقایسه با مقدار تصویر تک باند NIR-2، مقدار تصویر تک باند nir-2 دقت کلی را تا 2% بهبود می‌بخشد و مقدار کاپا 1.21% افزایش می‌یابد. در UA، سایر کلاس های زمینی و جاده ای به ترتیب 16٪ و 1٪ افزایش یافته و در کلاس علفزار 5٪ کاهش یافته است. در PA، سایر طبقات زمین و طبقات علفزار به ترتیب 10٪ و 13٪ افزایش یافتند و کلاس های جاده 3٪ کاهش یافتند. نتایج نشان می‌دهد که توزیع مقادیر تصویر تک باندی NIR-2 در علفزار و سایر طبقات زمینی بهتر است، بنابراین ثابت شده است که افزودن اطلاعات تصویر به داده‌های نقطه-ابر می‌تواند به طور موثری دقت طبقه‌بندی ابر نقطه را بهبود بخشد. زیرا درخت تصمیم در طبقه بندی 10 سطح هرس می گیرد و گره های برگ تصمیم ساختمان در حال پیشرفت و تاج یکسان هستند.

5. نتیجه گیری و پیشنهادات

5.1. نتیجه گیری

در این مطالعه از پارامترهای نور کامل شکل موج برای طبقه‌بندی و ارزیابی دقت ویژگی‌های زمین استفاده شد. پس از تأیید، نتایج میانگین نقطه-ابر از دقت طبقه‌بندی بهتری برخوردار بودند، اما نتایج طبقه‌بندی در مراتع و سایر سازه‌های مصنوعی ضعیف‌تر بود. اگر با پارامترهای تصویر تکمیل شود، بخش ضعیف طبقه بندی نقطه-ابر را می توان بهبود بخشید.
مرحله اول آزمایش عمدتاً ابر نقطه اصلی و ابر نقطه به طور میانگین توسط همسایگی را طبقه بندی و ارزیابی می کند. از طریق طبقه بندی درخت تصمیم، پس از تجزیه و تحلیل و تحقیق، نتایج زیر حاصل می شود:
(1)
داده های نقطه-ابر با تجزیه و تحلیل همسایگی میانگین می شوند و انحراف استاندارد هر مقدار پارامتر کاهش می یابد، به این معنی که ابر نقطه می تواند به طور موثر نویز را پس از میانگین همسایگی، به ویژه برای مقدار پهنای باند، فیلتر کند. به عبارت دیگر بهترین توزیع میانگین وجود دارد.
(2)
مقایسه دقت تقسیم درخت تصمیم نقطه-ابر بین ابر نقطه اصلی و میانگین همسایگی انجام شد. دقت کلی طبقه‌بندی نقطه-ابر بعد از میانگین همسایگی 83 درصد بیشتر از مقدار اولیه 7 درصد بود و کاپا بالاتر از مقدار اصلی 5.92 درصد بود، بنابراین میانگین همسایگی نقطه-ابر می‌تواند نویز بیش از حد را فیلتر کند. و دقت طبقه بندی را بهبود بخشد.
(3)
از آنجایی که میانگین همسایگی، ابر نقطه را به داده های شبکه تبدیل می کند و سپس ابرهای نقطه ای در داده های شبکه را به صورت مستطیل می اندازد، همپوشانی ابرهای نقطه ای با مقادیر مختلف منجر به ایجاد ابرهای نقطه ای با مقادیر متفاوت می شود. پس از میانگین گیری محله، میانگین به همان مقدار تبدیل می شود. همانطور که در شکل 23 نشان داده شده است ، قطعاتی که به صورت عمودی با هم تداخل دارند، مقادیر پارامترهای ساختمان ها و تاج ها را در طول میانگین گیری به همان مقدار میانگین می دهند، همانطور که در کادر زرد شکل 23 نشان داده شده است.آ. پس از میانگین گیری، کل سطح عمودی میانگین گیری می شود، به طوری که مقادیر پارامترهای ساختمان به طور میانگین به کلاس سایبان تبدیل می شوند و میانگین همسایگی باعث می شود که ابر نقطه در جایی که انواع مختلف ویژگی ها با هم همپوشانی دارند، اشتباه قضاوت کند. ابر نقطه متوسط ​​همسایگی برای استفاده در یک سطح باز و بدون همپوشانی مناسب است. اگر در منطقه ای با سایه زیاد استفاده شود، باعث قضاوت نادرست در مورد قسمت روی هم افتاده سایه می شود.
در مرحله دوم آزمایش، نواحی با نتایج طبقه بندی ضعیف در مرحله اول تحقیق آزمایشی گرفته شد، محدوده منطقه مورد مطالعه محدود شد، طبقه بندی درخت تصمیم دوم انجام شد و نمونه برداری مجدد انجام شد. پس از تجزیه و تحلیل و تحقیق، نتایج زیر حاصل شد:
(1)
پس از میانگین‌گیری مقدار همسایگی نقطه-ابر برای عملیات درخت تصمیم، پارامتر تصویر مقدار NDVI و مقدار تصویر NIR-2 به ترتیب برای عملیات درخت تصمیم اضافه شد. نتایج تحقیقات نشان می دهد که افزودن NDVI و NIR-2 می تواند دقت کلی را بهبود بخشد. به ویژه برای دسته بندی اشیاء زمینی که تشخیص آنها در مرحله اول آزمایش دشوارتر است، نتایج طبقه بندی بهتری وجود دارد. دقت کلی مقدار NDVI تا 5% افزایش می‌یابد، مقدار کاپا تا 4.25% افزایش می‌یابد و مقدار NIR-2 برای افزایش دقت کلی تا 2% اضافه می‌شود. مقدار کاپا 1.21 درصد افزایش یافته است، بنابراین داده های LiDAR همراه با داده های تصویر ماهواره ای می توانند به طور موثری دقت طبقه بندی ابرهای نقطه LiDAR را بهبود بخشند.
(2)
از آنجایی که تفاوت زمان تصویربرداری ماهواره ای با تصویر LiDAR 1 سال است، پوشش گیاهی دارای وسعت متفاوتی است که باعث خطا در طبقه بندی می شود. به عنوان مثال، همانطور که در شکل 24 نشان داده شده است ، قسمت چمن زمین بازی در تصویر ماهواره ای خاک برهنه است و چمن روی عکس هوایی که همزمان توسط LiDAR گرفته شده است، قسمت بدون خاک است. بنابراین، هنگامی که درخت تصمیم برای طبقه بندی به پارامترهای تصویر ماهواره ای اضافه می شود، چمن زمین بازی به اشتباه طبقه بندی می شود.

5.2. پیشنهاد می دهد

پس از این مطالعه، پیشنهادات زیر خلاصه می شود:
(1)
از آنجایی که این تحقیق عمدتاً امیدوار است نتایج طبقه‌بندی ابرهای نقطه‌ای را به سادگی و به سرعت به دست آورد و کاربرد لایه‌های پیشگیری و امداد از بلایا را ارائه دهد، پارامترهای LiDAR انتخاب شده، داده‌های پارامتر (مقدار دامنه، مقدار عرض پالس و مقدار شیب) هستند که می‌توانند به سرعت به دست آمد. دقت طبقه بندی پارامترهای LiDAR انتخاب شده در مطالعه در کلاس زمین ضعیف است. توصیه می شود که سایر پارامترهای LiDAR (تعداد پژواک، بازتاب عقب، اختلاف ارتفاع، درصد اکو چندگانه و غیره) برای تحقیقات طبقه بندی اضافه شوند تا دقت طبقه بندی ویژگی های زمین بهبود یابد.
(2)
در این مطالعه ابر نقطه میانگین همسایگی بر روی کل منطقه مورد مطالعه انجام شده است. به منظور جلوگیری از قضاوت نادرست ابرهای نقطه‌ای همپوشانی ناشی از میانگین همسایگی، توصیه می‌شود که ابر نقطه‌ای متوسط ​​همسایگی را فقط در نواحی باز و بدون پوشش انجام داد تا از قضاوت نادرست جلوگیری شود. وضعیت پیش می‌آید و دقت طبقه‌بندی را نیز می‌توان بهبود بخشید.
(3)
این مطالعه از الگوریتم درخت تصمیم CART استفاده می کند که عمدتاً به دلیل کاستی های درخت تصمیم بدون پنهان کردن اطلاعات است و نتایج تجزیه و تحلیل را می توان در قالب یک درخت تصمیم ارائه کرد که می تواند مستقیماً تغییرات مهم و تقسیم بندی آنها را مشاهده کند. اثراتی که می تواند نتایج تحقیق را واضح تر و قابل درک تر کند. از طرف دیگر درخت تصمیم ساده و سریع است. اگر در تفسیر تصویر استفاده شود، می تواند کار و زمان مترجم در محل کار را کاهش دهد و می تواند همبستگی منطقه اندازه گیری را در مدت زمان کوتاهی درک کند. اطلاعات جغرافیایی کاربردهای علمی و عملی مختلفی را ارائه می دهد. در حال حاضر، بسیاری از تحقیقات طبقه بندی شکل موج کامل از جنگل تصادفی، ماشین بردار پشتیبان (SVM) استفاده می کنند. شبکه عصبی (NN) و سایر روش های طبقه بندی برای طبقه بندی. پیشنهاد می‌شود برای دسته‌بندی از الگوریتم‌های مختلفی برای دستیابی به نتایج طبقه‌بندی بهتر استفاده شود.
(4)
از نظر به دست آوردن LiDAR و تصاویر، استفاده از داده‌های ابر نقطه‌ای لیدار و تصاویر ماهواره‌ای در همان سال و فصل برای کاهش تفاوت ویژگی‌های زمین و پوشش گیاهی و جلوگیری از کاهش دقت طبقه‌بندی توصیه می‌شود.
(5)
نتایج طبقه بندی درخت تصمیم در این مطالعه فقط در این منطقه مورد مطالعه قابل استفاده است. این مطالعه در حوزه های مختلف مطالعاتی تایید و مقایسه نشده است. توصیه می شود که از داده های LiDAR در ارتفاعات مختلف برای مطالعات طبقه بندی برای مقایسه بین مناطق مختلف پرواز استفاده شود. تفاوت پارامترهای تحقیق، تحقیق و تجزیه و تحلیل داده های پارامتر طبقه بندی LiDAR به منظور بهبود تطبیق پذیری داده های نقطه-ابر در حوزه های مختلف تحقیقاتی.
(6)
این مطالعه عمدتاً اطلاعات باند قرمز، NIR-1 و نزدیک به NIR-2 را در تصویر ماهواره ای World View-2، با استفاده از پارامترهای NDVI و NIR-2 و افزودن داده های نقطه-ابر LiDAR برای طبقه بندی مورد مطالعه قرار می دهد. برای مزایا و معایب و محدودیت های باندهای تصویر، توصیه می شود هر تصویر باند مورد تجزیه و تحلیل و مطالعه قرار گیرد. پس از محاسبه بهترین مقدار طبقه بندی بین باندها، می توان آن را برای طبقه بندی به ابر نقطه LiDAR اضافه کرد تا به طور موثر نتایج طبقه بندی و دقت را بهبود بخشد.

منابع

  1. گوا، ال. چهاتا، ن. مالت، سی. Boukir، S. ارتباط LiDAR هوابرد و داده های تصویر چند طیفی برای طبقه بندی صحنه شهری با استفاده از جنگل های تصادفی. ISPRS J. Photogramm. Remote Sens. 2011 ، 66 ، 56-66. [ Google Scholar ] [ CrossRef ]
  2. هوفل، بی. هالاس، ام. Hagenauer, J. تشخیص پوشش گیاهی شهری با استفاده از داده‌های LiDAR هوابرد با ردپای کوچک با ردپای کوچک کالیبره‌شده. ISPRS J. Photogramm. Remote Sens. 2012 ، 67 ، 134-147. [ Google Scholar ] [ CrossRef ]
  3. وو، کیو. ژونگ، آر. ژائو، دبلیو. آهنگ، ک. Du، L. طبقه‌بندی پوشش زمین با استفاده از تصاویر GF-2 و داده‌های لایدار هوابرد بر اساس جنگل تصادفی. بین المللی J. Remote Sens. 2019 , 40 , 2410–2426. [ Google Scholar ] [ CrossRef ]
  4. دیاز، JCF LiDAR هوابرد سایبان برای باستان شناسی مناطق جنگلی. Imagingnotes 2011 ، 26 ، 31-34. [ Google Scholar ]
  5. تئو، TA; طبقه‌بندی پوشش زمین مبتنی بر شیء Huang، CH با استفاده از Lidar هوابرد و تصاویر طیفی مختلف. ترس اتمس. اقیانوس. علمی 2016 ، 27 ، 491-504. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. مالت، سی. Bretar, F. توپوگرافی شکل موج کامل LiDAR:State-of-the-art. ISPRS J. Photogramm. Remote Sens. 2009 ، 64 ، 1-16. [ Google Scholar ] [ CrossRef ]
  7. بریمن، ال. فریدمن، جی اچ. اولشن، RA; Stone, CJ Classification and Regression Trees , 1st ed.; Routledge: لندن، بریتانیا، 1984. [ Google Scholar ]
  8. Swain، PH; هاوسکا، اچ. طبقه‌بندی درخت تصمیم: طراحی و پتانسیل. IEEE Trans. Geosci. الکترون. 1977 ، 15 ، 142-147. [ Google Scholar ] [ CrossRef ]
  9. Mui، JK; طبقه‌بندی خودکار سلول‌های خون هسته‌دار Fu، KS با استفاده از طبقه‌بندی‌کننده درخت دوتایی. IEEE Trans. الگوی مقعدی ماخ هوشمند 1980 ، PAMI-2 ، 429-443. [ Google Scholar ] [ CrossRef ]
  10. صفویان، س.ر. Landgrebe, DA A Survey of Decision Tree Classifier Methodology. IEEE Trans. سیستم مرد سایبرن. 1991 ، 21 ، 660-674. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. Rounds, EM یک رویکرد ناپارامتریک ترکیبی برای انتخاب ویژگی و طراحی درخت تصمیم باینری. تشخیص الگو 1980 ، 12 ، 313-317. [ Google Scholar ] [ CrossRef ]
  12. بریمن، ال. فریدمن، جی. استون، سی جی; اولشن، RA طبقه بندی و رگرسیون درختان ; Wadsworth & Brooks/Cole Advanced Books & Software: Monterey, CA, USA, 1984. [ Google Scholar ]
  13. اولوفسون، پی. فودی، جنرال موتورز; هرولد، ام. Stehman، SV; Woodcock، CE; Wulder، MA شیوه های خوب برای تخمین مساحت و ارزیابی دقت تغییر زمین. سنسور از راه دور محیط. 2014 ، 148 ، 42-57. [ Google Scholar ] [ CrossRef ]
  14. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
  15. مدل‌سازی زمین دیجیتال Lin, YC از داده‌های اسکن لیزری هوابرد با ردپای کوچک و تمام موج. پایان نامه دکتری، دانشکده مهندسی عمران و علوم زمین، دانشگاه نیوکاسل، نیوکاسل، انگلستان، 2009. [ Google Scholar ]
  16. ناخالص، HN; Schott, JR کاربرد تکنیک های تجزیه و تحلیل مخلوط طیفی و ترکیب تصویر برای شارپنینگ تصویر. سنسور از راه دور محیط. 1998 ، 63 ، 85-94. [ Google Scholar ] [ CrossRef ]
  17. Van Der Meer, E. ترکیب تصویر چندحسگر از نظر محتوای اطلاعاتی برای تفسیر بصری چه چیزی اضافه می کند؟ بین المللی J. Remote Sens. 1997 ، 18 ، 445-452. [ Google Scholar ] [ CrossRef ]
  18. Congalton، RG; گرین، ک. ارزیابی دقت داده‌های سنجش از راه دور: اصول و روش‌ها . CRC Press: Boca Raton، FL، USA، 2008. [ Google Scholar ]
  19. هاینزل، جی. Koch, B. بررسی پارامترهای LiDAR شکل موج کامل برای طبقه بندی گونه های درختی. بین المللی J. Appl. زمین Obs. Geoinf. 2011 ، 13 ، 152-160. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00391 g001 550
شکل 1. ارتفتو از منطقه مورد مطالعه. (650 متر × 600 متر).
Ijgi 11 00391 g002 550
شکل 2. نمودار جریان کار.
Ijgi 11 00391 g003 550
شکل 3. پردازش فیوژن. ( الف ) تصویر چند طیفی؛ ( ب ) تصویر زوم چندطیفی. ( ج ) تصویر تمام رنگی؛ ( د ) تصویر زوم کامل رنگی. ( ه ) تصویر پس از همجوشی. ( f ) تصویر زوم فیوژن.
Ijgi 11 00391 g004 550
شکل 4. تصویر NDVI.
Ijgi 11 00391 g005 550
شکل 5. داده های ابر نقطه ای دو کمربند پروازی LiDAR.
Ijgi 11 00391 g006 550
شکل 6. تصویر دامنه. ( الف ) تصویر خام دامنه. ( ب ) تصویر مقدار دامنه پس از میانگین همسایگی.
Ijgi 11 00391 g007 550
شکل 7. تصویر عرض پالس. ( الف ) تصویر عرض پالس اصلی؛ ( ب ) تصویر مقدار عرض پالس پس از میانگین همسایگی.
Ijgi 11 00391 g008 550
شکل 8. تصویر مقدار شیب. ( الف ) تصویر ارزش شیب اصلی؛ ( ب ) تصویر مقدار شیب پس از میانگین محله.
Ijgi 11 00391 g009 550
شکل 9. نمودار شماتیک مقدار ارتفاع سفارشی.
Ijgi 11 00391 g010 550
شکل 10. داده های حقیقت ابری نقطه ای.
Ijgi 11 00391 g011 550
شکل 11. نمودار نمونه گیری از نمونه های آموزشی در فاز اول منطقه مورد مطالعه تجربی.
Ijgi 11 00391 g012 550
شکل 12. هرس درخت تصمیم با مقدار اولیه آزمایش مرحله اول.
Ijgi 11 00391 g013a 550 Ijgi 11 00391 g013b 550
شکل 13. نتایج طبقه بندی ارزش اصلی آزمایش مرحله اول. ( الف ) نتایج نمایه ابر نقطه محلی؛ ( ب ) نتایج طبقه بندی ابر نقطه ای در منطقه مورد مطالعه. ( ج ) نمودار مقایسه.
Ijgi 11 00391 g014 550
شکل 14. درخت تصمیم با میانگین همسایگی در آزمایش مرحله اول کوتاه شده است.
Ijgi 11 00391 g015a 550 Ijgi 11 00391 g015b 550
شکل 15. نتایج طبقه بندی میانگین محله در مرحله اول آزمایش. ( الف ) نتایج نمایه ابر نقطه محلی؛ ( ب ) نتایج طبقه بندی ابر نقطه ای در منطقه مورد مطالعه. ( ج ) نمودار مقایسه.
Ijgi 11 00391 g016 550
شکل 16. نمودار نمونه گیری از نمونه های آموزشی در منطقه مطالعاتی آزمایشی فاز دوم.
Ijgi 11 00391 g017 550
شکل 17. هرس درخت تصمیم با میانگین مقدار همسایگی آزمایشی در مرحله دوم.
Ijgi 11 00391 g018 550
شکل 18. نتایج طبقه بندی میانگین همسایگی در آزمایش دوم. ( الف ) نتایج نمایه ابر نقطه محلی؛ ( ب ) نتایج طبقه بندی ابر نقطه ای در منطقه مورد مطالعه. ( ج ) نمودار مقایسه.
Ijgi 11 00391 g019 550
شکل 19. آزمایش مرحله دوم مقدار NDVI را برای برش درخت تصمیم اضافه می کند.
Ijgi 11 00391 g020 550
شکل 20. آزمایش مرحله دوم نتایج طبقه بندی ارزش NDVI را اضافه کرد. ( الف ) نتایج نمایه ابر نقطه محلی؛ ( ب ) نتایج طبقه بندی ابر نقطه ای در منطقه مورد مطالعه. ( ج ) نمودار مقایسه.
Ijgi 11 00391 g021 550
شکل 21. آزمایش مرحله دوم مقدار NIR-2 تصویر را برای برش درخت تصمیم اضافه می کند.
Ijgi 11 00391 g022 550
شکل 22. آزمایش مرحله دوم، نتایج طبقه بندی ارزش NIR-2 را اضافه کرد. ( الف ) نتایج نمایه ابر نقطه محلی؛ ( ب ) نتایج طبقه بندی ابر نقطه ای در منطقه مورد مطالعه. ( ج ) نمودار مقایسه.
Ijgi 11 00391 g023 550
شکل 23. ( الف ) نمودار حد متوسط ​​همسایگی I. ( ب ) نمودار حد متوسط ​​همسایگی II.
Ijgi 11 00391 g024 550
شکل 24. تصویر تفاوت پوشش گیاهی. ( الف ) تصاویر ماهواره ای؛ ب ) عکس هوایی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

7 نظرات

دیدگاهتان را بنویسید