یکی از مشکلات اصلی مربوط به مدیریت ایمنی راه در برزیل، فقدان داده‌ها در مورد پروژه‌های جاده‌ای، به‌ویژه پروژه‌های جاده‌های روستایی است که استفاده از مطالعات ایمنی راه و مدل‌های سایر کشورها را به عنوان مرجع دشوار می‌کند. به روز رسانی شبکه های جاده ای از طریق استفاده از تصاویر سنجش از دور فراطیفی می تواند جایگزین خوبی باشد. با این حال، تشخیص دقیق و استخراج تصاویر فراطیفی از جاده ها به عنوان یک کار چالش برانگیز در پردازش داده های ابرطیفی شناخته شده است. به منظور حل چالش‌های فوق، تصاویر فراطیفی Hyperion با الگوریتم مسیر جنگلی بهینه (OPF) برای طبقه‌بندی نظارت شده راه‌های روستایی ترکیب شدند و اثربخشی طبقه‌بندی‌کننده‌های OPF و SVM هنگام اعمال در این مناطق مقایسه شد. هر دو طبقه‌بندی‌کننده نتایج معقولی تولید کردند، با این حال، الگوریتم OPF بهتر از SVM عمل کرد. دقت طبقه‌بندی بالاتر به‌دست‌آمده توسط OPF عمدتاً به توانایی تشخیص بهتر بین مناطق خاک در معرض و جاده‌های آسفالت نشده نسبت داده می‌شود.

کلید واژه ها

جاده ها , تصاویر چند طیفی , تصاویر فراطیفی , الگوریتم جنگل مسیر بهینه

1. مقدمه

تصادفات رانندگی در برزیل از نظر بزرگی، هم از نظر تعداد مرگ و میر و جراحات و هم از نظر عواقب مالی برای کاربران و جامعه، برجسته هستند. بر اساس رتبه بندی جهانی سازمان بهداشت جهانی [ 1]، در سال 1395، 37 هزار و 345 مورد مرگ و میر رانندگی توسط سامانه اطلاعات مرگ و میر وزارت بهداشت به ثبت رسیده است. این کشور با هدف تعیین شده توسط سازمان ملل متحد (سازمان ملل متحد) فاصله زیادی دارد که کاهش 50 درصدی تعداد قربانیان را طی 10 سال از سال 2011 تعیین کرده است و در میان کشورهایی که بیشترین مرگ و میر ناشی از ترافیک را دارند، پس از هند در رتبه پنجم قرار دارد. ، چین، ایالات متحده و روسیه. در سال 2016، 301351 تصادف ثبت شد که از این تعداد 169163 تصادف در بزرگراه های فدرال بازرسی شده توسط پلیس بزرگراه فدرال (PRF) رخ داده است که تقریباً 56٪ از کل تصادفات را نشان می دهد. از این تصادفات که در بزرگراه های فدرال رخ داده است، 4 درصد کشته، 37 درصد جراحات و 59 درصد تصادفاتی بوده اند که فقط خسارت مالی رخ داده است. تقریباً 67 درصد از تصادفات فوتی در مناطق روستایی رخ داده است [ 2]. با توجه به رشد تصادفات رانندگی، بخش های مسئول به طور فزاینده ای با توجه به کیفیت و ایمنی جاده ها زیر سوال می روند.

اگرچه روش‌های مختلفی برای تشخیص مشکلات ایمنی راه وجود دارد، تحلیل دقیق تصادفات جاده‌ای یکی از شاخص‌های اصلی کمبودهای شبکه است. فرآیند تصمیم گیری در مدیریت ایمنی راه به شاخص هایی بستگی دارد که می توانند به طور عینی سطح ایمنی اجزای یک شبکه حمل و نقل معین را بیان کنند [ 2 ]. به این معنا، محققان به دنبال ارتباط مجموعه‌های تاریخی تصادفات رانندگی با ویژگی‌های هندسی و عملیاتی جاده با استفاده از مدل‌های رگرسیون آماری به نام مدل‌های پیش‌بینی تصادف (MPA) یا توابع عملکرد ایمنی جاده‌ها بوده‌اند. اگرچه MPAها برای بیش از دو دهه در کشورهایی مانند کانادا، ایالات متحده، انگلستان و سوئد مورد بررسی قرار گرفته اند، اما در برزیل هنوز در مرحله اولیه توسعه هستند.

طبق IPEA/ANTP [ 1 ]، ویژگی‌های خاص ترافیک برزیل (عابران پیاده در خارج از خط عابر پیاده، فقط وسایل نقلیه موتوری که در چراغ‌های راهنمایی توقف می‌کنند، نداشتن خط دوچرخه، رادارهایی که فقط سرعت وسیله نقلیه را 100 متر قبل و بعد از آن کاهش می‌دهند، و غیره) استفاده از مطالعات و داده های سایر کشورها به عنوان منبع مرجع را دشوار می کند. جستجو برای داده هایی که واقعیت برزیل را بیان می کند و اجازه می دهد مطالعات بر اساس این داده ها انجام شود، ضروری است. بنابراین، جمع آوری داده های تصادفات رانندگی که امکان انجام این مطالعات، ایجاد تشخیص، و نشان دادن راه حل های جایگزین برای مشکلات شناسایی شده را فراهم می کند، ضروری است. یکی از مشکلات اصلی، در این زمینه، به کمبود پایگاه های اطلاعاتی رایانه ای در مورد حوادث مربوط می شود [ 3 ]]. آنچه وجود دارد همچنین ممکن است نقص هایی در جمع آوری و در نتیجه قابلیت اطمینان کمی داشته باشد.

برای بسیاری از شهرداری‌های برزیل، تنها نقشه‌های موجود که قلمروهای آنها را نشان می‌دهد، نقشه‌هایی است که توسط مؤسسه جغرافیا و آمار برزیل (IBGE) ارائه شده است. اینها اغلب پیچیده، قدیمی و کمتر شناخته شده هستند و باعث می شوند که واقعیت محلی و نقشه برداری از هم دور باشند.

وقتی صحبت از طراحی هندسی جاده به میان می‌آید، مشکل حتی بیشتر است. حدود 70 درصد از بزرگراه های برزیل در دهه 1960 ساخته شدند و پروژه های آنها یا روی کاغذ یا به صورت فایل های PDF دیجیتالی شده است. به گفته آگوستو ناردس، حسابرس دیوان حسابرسی فدرال (TCU)، در مصاحبه با روزنامه گلوبو [ 4]، عدم برنامه ریزی یکی از بزرگ ترین دغدغه های TCU است و عدم وجود مستندات لازم (طراحی اساسی، برنامه ریزی و غیره) در اجرای پروژه های حمل و نقل می تواند گواه آن باشد. واقعیت تشدیدکننده دیگر این است که روش‌های سنتی به‌روزرسانی نقشه‌ها با افزایش تعداد جاده‌های ناشی از رشد اقتصادی-اجتماعی کشور در دهه‌های اخیر، چه به دلیل دشواری دسترسی به برخی مکان‌ها، چه به دلیل دشواری در یافتن نیروی فنی متخصص و چه به دلیل مشکل بودن، همگام نبوده است. هزینه بالااز آنجایی که به روز رسانی اطلاعات نقشه کشی صرفاً موضوعی مورد علاقه فنی نیست، بلکه مهمتر از همه جنبه اقتصادی و اجتماعی دارد، پروژه های به روز رسانی نقشه برداری با استفاده از تکنیک های پردازش جغرافیایی و سنجش از دور، با شروع سیستم های اطلاعات جغرافیایی (GIS) در حال انجام است. ) و تفسیر تصاویر ماهواره ای، در دسترس قرار دادن داده ها در قالب دیجیتال. برای سالبیگو و همکاران. [ 5 ]، در دسترس بودن اطلاعات در قالب دیجیتال امکان کاهش هزینه‌های فرآیندهای به‌روزرسانی و جایگزینی را فراهم می‌کند، زیرا محصولات تولید شده از GIS را می‌توان سریع‌تر و آسان‌تر به‌روزرسانی، ویرایش، چاپ و تکثیر کرد.

برای بیش از 80 سال، عکس‌های هوایی ابزاری ضروری برای توسعه انواع پروژه‌های مهندسی مانند بزرگراه‌ها، خطوط لوله گاز، خطوط انتقال و بسیاری دیگر در برزیل بوده‌اند. وضوح فضایی این تصاویر در دهه های اخیر بسیار افزایش یافته است و امکان استفاده از آنها را در اجرای پروژه های بزرگراهی فراهم کرده است. استخراج خودکار یا نیمه اتوماتیک جاده ها می تواند راحت ترین راه برای غلبه بر مشکل کمبود اسناد پروژه برای ایمنی راه باشد.

یافتن راهی کارآمد برای استخراج شبکه های جاده ای به صورت خودکار یا نیمه خودکار موضوع مهمی است که در بسیاری از مطالعات [ 6 ] [ 7 ] [ 8 ] [ 9 ] [ 10 ] مورد بحث قرار گرفته است که در آن از روش ها و الگوریتم های مختلفی استفاده شده است. اکثر مطالعات موافقند که استخراج جاده ها از تصاویر هوایی به دلیل انسداد، سایه ها و درختان و همچنین انواع مختلف جاده هایی که در تصاویر هوایی ظاهر می شوند، یک کار پیچیده است و این شرایط استخراج دقیق جاده ها را دشوار می کند [ 11 ] [ 11]. 12 ] [ 13 ] [ 14]. علاوه بر این، اگرچه بسیاری از روش‌های استخراج جاده بر اساس تصاویر حسی در مطالعات مختلف مورد استفاده قرار گرفته‌اند، اما بیشتر آنها برای جاده‌های شهری یا با کیفیت بالا طراحی شده‌اند [ 15 ]، در حالی که تعداد کمی برای جاده‌های روستایی قابل اجرا هستند.

با وجود پتانسیل زیاد برای استخراج اطلاعات، تکنیک‌های طبقه‌بندی تصویر با چالش‌هایی مانند حجم زیاد داده‌های مورد پردازش مواجه هستند که می‌تواند کارایی طبقه‌بندی کننده را کاهش دهد. روش‌های تشخیص الگوی سنتی برای طبقه‌بندی چند طیفی تصاویر سنجش از راه دور بر اساس تکنیک‌های آماری استاندارد مانند حداکثر احتمال [ 16 ] است. این روش‌ها نتایج رضایت‌بخشی را برای تصویربرداری فراطیفی ایجاد نمی‌کنند، زیرا توانایی محدودی برای رفع سردرگمی بین کلاس‌ها، به‌ویژه کلاس‌هایی با برخی شباهت‌های طیفی دارند.

روش‌های مبتنی بر الگوریتم‌های یادگیری ماشین (الگوریتم‌های یادگیری ماشین – MLA) برای استخراج اطلاعات مرتبط از داده‌های فراطیفی استفاده شده‌اند. محبوب‌ترین رویکردها برای طبقه‌بندی تصاویر فراطیفی، مانند SVM و ANN، محدودیت زمانی قابل‌توجهی برای پایگاه‌های داده بزرگ، به ویژه در مرحله آموزش دارند. برای سرعت بخشیدن به SVM ها برای حل این مشکل، تغییراتی مانند LASVM و SVM بدون نقشه برداری هسته ایجاد شده است. اولی به طبقه بندی باینری محدود می شود و دومی به طور قابل توجهی دقت طبقه بندی را در موارد همپوشانی کلاس کاهش می دهد [ 17 ].

طبقه‌بندی‌کننده جدیدی که در ادبیات برجسته شده است، تکنیکی به نام جنگل مسیر بهینه (OPF) است. OPF طبقه بندی الگوها را با استفاده از مفاهیم نظریه گراف پیشنهاد می کند [ 18 ] [ 19 ]. این رویکرد به عنوان یک تعمیم از تبدیل جنگل تصویر (IFT) ظاهر شد [ 17 ]. با توجه به سهولت استفاده و کارایی آن در طول آموزش داده، نشان داده شده است که یک رویکرد جالب برای مسائل طبقه بندی [ 18 ]]. از آنجایی که این تکنیک در ادبیات نسبتاً جدید است و مطالعات کمی در مورد استراتژی‌هایی برای استخراج اطلاعات بخش جاده از تصاویر ابرطیفی وجود دارد، این مقاله پیشنهاد می‌کند تا الگوریتم OPF را برای استخراج ویژگی‌های هندسی جاده از تصاویر فراطیفی و ارزیابی اثربخشی با مقایسه بین چندگانه معرفی کند. و تصاویر فراطیفی طبقه بندی کننده OPF جایگزینی برای شبکه های عمیق نیست، اما می تواند به عنوان مکمل استفاده شود. ایده در این دست‌نوشته این نیست که مستقیماً روی استخراج ویژگی‌ها عمل کنیم، همانطور که یادگیری عمیق انجام می‌دهد، بلکه در مرحله طبقه‌بندی است، و OPF را می‌توان با ویژگی‌هایی که توسط این شبکه‌ها آموخته شده استفاده کرد.

در این روش، ابتدا یک پایه هندسی راه های روستایی از قسمت های جاده استخراج شده از تصویر ساخته می شود. سپس از تکنیک های گروه بندی و بازسازی بخش های گمشده از شبکه راه ها استفاده خواهد شد.

2. پس زمینه

2.1. استفاده از داده های سنجش از دور برای شناسایی ویژگی های هندسی جاده ها

هنگام طبقه‌بندی جاده‌ها با داده‌های سنجش از دور، شناسایی اشیاء کوچک و ویژگی‌های خطی مهم است، در حالی که وضوح فضایی بالا برای طبقه‌بندی دقیق‌تر مورد نیاز است [ 20 ]. به طور کلی، تصاویر ماهواره‌ای با وضوح فضایی زیرمتری تنها در یک محدوده طیفی پانکروماتیک تولید می‌شوند. تصاویر چند طیفی معمولاً وضوح فضایی کمتری نسبت به نوارهای پانکروماتیک دارند. این ممکن است برای تشخیص دقیق جاده های موجود کافی نباشد.

سیستم های تصویربرداری فراطیفی با تقسیم طیف الکترومغناطیسی به تعداد زیادی باند (بیش از 40) مشخص می شوند و نتیجه پیشرفت های تکنولوژیکی در تصویربرداری هستند. نوارهای باریک (معمولاً 10 تا 20 نانومتر عرض) و به هم پیوسته امکان استخراج طیف بازتاب را در مقیاس پیکسل [ 21 ] فراهم می کند. وضوح طیفی بالا امکان تجزیه و تحلیل دقیق تری از امضاهای طیفی پوشش زمین و عملکرد انسان را نسبت به تصاویر چند طیفی فراهم می کند [ 22 ]]. استفاده از تصاویر برای استخراج ویژگی های جاده اخیرا نیست، با این حال، جداسازی طبقات کاربری زمین مانند جاده ها و مناطق شهری کار آسانی نیست. استفاده از تصاویر فراطیفی برای پروژه‌های بزرگراهی هنوز ابتدایی است و چشم‌انداز این است که ویژگی‌های هندسی جاده‌ها را می‌توان به سادگی با طیف‌سنجی تصویر شناسایی کرد.

هنگام استخراج اطلاعات بزرگراه از داده های تولید شده توسط سنجش از دور، اغلب داشتن وضوح فضایی بالا از وضوح طیفی بالا مهم تر است. با این حال، برای طاهرزاده و همکاران. [ 23]، سنجش از دور فراطیفی پتانسیل زیادی برای کاربرد در تحلیل صحنه های پیچیده شهری دارد. تصاویر با وضوح مکانی پایین، شناسایی جاده ها را دشوار می کند. با این حال، حتی برای سنسورهای با وضوح فضایی بالا، اگر مواد موجود در صحنه پاسخ طیفی مشابهی داشته باشند، ممکن است بسته به تعداد باندهای استفاده شده در فرآیند گرفتن تصویر، اشتباه گرفته شوند. در واقع استفاده از حسگر فراطیفی شانس تمایز این مواد و شناسایی صحیح آنها را در صحنه بهبود می بخشد. هرچه باندهای طیفی باریکتر باشد، یعنی وضوح طیفی سنسور بالاتر باشد، جزئیات بیشتری در مورد پاسخ طیفی اهداف می‌توان استخراج کرد و این امر باعث می‌شود تا طبقه‌بندی اشتباه به میزان قابل توجهی کاهش یابد.

ویژگی های ویژگی های خطی سیستم جاده در تصاویر دیجیتال عمدتاً به ویژگی های طیفی و هندسی هدف مرتبط است که مستقیماً بر فرآیندهای استخراج تأثیر می گذارد. مسیرها در یک تصویر سنجش از دور، از دیدگاه هندسی و طیفی، می‌توانند به‌عنوان محدوده‌های باریک و پیوسته با شدت روشنایی بالا در نظر گرفته شوند که با مناطق با شدت پایین مرزبندی شده‌اند [ 24 ]. Xi و Weng [ 24 ] همچنین بیان می‌کنند که شدت روشنایی در فواصل کوتاه در امتداد جاده‌ها بسیار تغییر نمی‌کند، به دلیل این واقعیت که ویژگی‌های طیفی آنها در کشش‌های کوتاه مشابه است. از نظر هندسی، یک مسیر معمولاً از بخش های مستقیم و منحنی تشکیل شده است که معمولاً به شکل کمان دایره ای است. اسلامی و محمدزاده [ 25] بخش‌های جاده‌ای روستایی یا غیر شهری یک تصویر دیجیتال را به‌عنوان ویژگی‌هایی مانند عرض ثابت، تغییر انحنای پیوسته و توزیع محلی همگن توصیف می‌کنند.

در تصاویر با وضوح پایین، جاده‌ها عمدتاً به صورت خطوطی ظاهر می‌شوند که شبکه‌ای کم و بیش متراکم را تشکیل می‌دهند و مستقیماً با درجه اشغال انسان‌زایی منطقه مرتبط هستند [ 26 ]. در این نوع تصویر، مسیرها به صورت خطوطی با عرض 1 تا 3 پیکسل بیان می‌شوند و سپس در فرآیند استخراج به‌عنوان خطوط مدل‌سازی می‌شوند [ 27 ]. در تصاویر با وضوح بالا، ویژگی های هندسی مانند ساختار و شکل نقش تعیین کننده ای در شناخت شبکه جاده ای دارند. استخراج شبکه جاده‌ای بر روی تصاویر فراطیفی مزایای زیادی نسبت به تصاویر چند طیفی دارد، زیرا توانایی تشخیص مواد تشکیل‌دهنده سطح جاده را از بسیاری از انواع دیگر موادی که منظره را تشکیل می‌دهند، افزایش می‌دهد.

مزیت اصلی سنجش از دور فراطیفی در مطالعات جاده، توانایی اندازه گیری ویژگی های طیفی یا شناسایی نوارهای جذب منحصر به فرد موجود در مواد در این محیط است. تعداد زیاد نوارهای به هم پیوسته امکان استخراج اطلاعات در مورد خواص شیمیایی و فیزیکی مواد را فراهم می کند [ 28 ]. بنابراین، هدفی که شناسایی آن توسط حسگرهای چندطیفی سنتی دشوار است، بسته به ویژگی‌های طیفی موجود در پیکسل‌ها، می‌تواند توسط حسگرهای فراطیفی متمایز شود.

با این حال، به دلیل تنوع فضایی امضاهای طیفی، استخراج ویژگی های تصویر فراطیفی به طور گسترده به عنوان یکی از چالش برانگیزترین وظایف در پردازش تصاویر فراطیفی شناخته می شود [ 29 ] [ 30 ]. بسیاری از روش های موجود از طبقه بندی دستی [ 19 ] [ 27 ] [ 28 ] [ 31 ] [ 32 ] [ 33 ] استفاده می کنند که شامل تجربه متخصصان می شود. فیلترهای گابور [ 34 ]، فیلترهای تطبیقی ​​[ 35 ] و زنجیره های مارکوف [ 36 ] اغلب پذیرفته می شوند. در سال‌های اخیر، روش‌های تشخیص الگو باعث علاقه گسترده به سنجش از دور [ 37 ] شده است.38 ] [ 39 ]. آنها پتانسیل بالایی برای طبقه بندی تصاویر ابرطیفی دارند. از مجموعه های آموزشی، روش های تشخیص الگو می توانند به طور موثر ویژگی های داده ها را توصیف کنند. استخراج خودکار اطلاعات از تصاویر تلاش می کند تا چگونگی تفسیر ویژگی ها توسط مغز را بازتولید کند. یکی از راه‌های ساده‌تر کردن تفسیر تصویر، جدا کردن گروه‌هایی از پیکسل‌ها با ویژگی‌های طیفی مشابه است، یعنی تشخیص الگوها. تشخیص الگو شامل تکنیک هایی برای تخصیص الگوها به کلاس های مربوطه به طور خودکار با حداقل دخالت انسانی است.

الگوریتم طبقه بندی برای طبقه بندی یک تصویر بر اساس دسته بندی های مورد علاقه به آموزش نیاز دارد. این آموزش مشخص می کند که آیا فرآیند تحت نظارت است یا بدون نظارت. هنگامی که از قبل دانش قبلی از منطقه وجود داشته باشد و امکان شناسایی نقاط به عنوان نمونه وجود داشته باشد، طبقه بندی تحت نظارت نامیده می شود. بدون نظارت زمانی است که تعریف پرتکرارترین گروه ها در تصویر به طور خودکار توسط رایانه انجام می شود و توزیع مقادیر دیجیتال را تجزیه و تحلیل می کند. طبقه بندی کننده های نظارت شده می توانند پارامتری یا ناپارامتریک باشند. نظارت پارامتری مستلزم آگاهی از آمار داده ها است، در حالی که ناپارامتی نیازی به توزیع آماری پیشینی ندارد.

هنگامی که از توزیع گاوسی داده ها مطمئن نیستید، الگوریتم های ناپارامتری اغلب برای طبقه بندی توصیه می شوند، مانند SVM (ماشین بردار پشتیبان) و طبقه بندی کننده درخت تصمیم، که به جای پارامتریک نظارت می شوند. اگرچه به طور گسترده برای طبقه بندی تصاویر از حسگرهای راه دور استفاده می شود، اما برای دستیابی به نرخ های دقت قابل قبول در مجموعه آزمایشی، به تلاش محاسباتی زیادی نیاز دارند. آنها اغلب در موقعیت هایی که نیاز به بازآموزی مداوم داده ها دارند و به ویژه در برنامه هایی با حجم داده های زیاد غیرممکن می شوند.

مطالعات دقیقی از مدل های یادگیری عمیق برای پردازش داده های سنجش از راه دور انجام شده است. چن و همکاران [ 29 ] یک استراتژی طبقه بندی بر اساس شبکه های باور عمیق (DBN) پیشنهاد می کند. مدل DBN چندلایه برای یادگیری ویژگی های داده های فراطیفی طراحی شده است و ویژگی های آموخته شده توسط رگرسیون لجستیک طبقه بندی می شوند. دینگ و همکاران [ 40 ] روشی را برای طبقه‌بندی تصاویر فراطیفی بر اساس شبکه‌های عصبی کانولوشنال (CNN) پیشنهاد می‌کند، که در آن هسته‌های کانولوشنال را می‌توان به طور خودکار از داده‌ها از طریق گروه‌بندی آموخت. وو و همکاران [ 41] یک شبکه عصبی بازگشتی کانولوشن (CRNN) برای طبقه‌بندی داده‌های فراطیفی پیشنهاد می‌کند. لایه‌های کانولوشن برای استخراج منابع غیرمتغیر محلی استفاده می‌شوند، که سپس با برخی از لایه‌های تکرارشونده تغذیه می‌شوند تا اطلاعات متنی بین باندهای طیفی مختلف استخراج شود. لی و همکاران [ 42 ] یک ساختار استخراج جفت پیکسل مبتنی بر CNN برای طبقه‌بندی تصاویر فراطیفی پیشنهاد می‌کند. یک مدل جفت پیکسل برای بهره برداری از شباهت بین پیکسل ها و اطمینان از مقدار کافی داده برای CNN طراحی شده است.

برخی روش‌های یادگیری را بر اساس ماشین بردار پشتیبان [ 20 ] [ 31 ] [ 43 ] تنظیم می‌کنند] عملکرد طبقه بندی خوبی را با سیستم های تصویربرداری فراطیفی به دست آورده اند. با این حال، یکی از بزرگترین مشکلات در تخمین پارامترهای یک طبقه‌بندی کننده آماری از تعداد محدودی از نمونه‌های آموزشی است. در فرآیند طبقه‌بندی، دقت معمولاً با افزودن اطلاعات اضافی، یعنی باندهای طیفی جدید، افزایش می‌یابد. دقت طبقه بندی کننده در یک نقطه خاص به حداکثر می رسد، جایی که معرفی باندهای اضافی باعث کاهش آن می شود. این پدیده معروف هیوز است که ناشی از عدم قطعیت در مقادیر تخمین زده شده برای پارامترهای طبقه‌بندی‌کننده است، اثری که توسط تعداد کمی از نمونه‌های آموزشی در مقایسه با ابعاد داده‌ها ایجاد می‌شود.

گائو و همکاران [ 44 ] از نمودارهای چندگانه تصادفی (RMG) استفاده کرد، که یک روش مجموعه مبتنی بر نمودار است که از درخت‌های ساخته‌شده به‌طور سیستماتیک که از زیرمجموعه‌های انتخاب شده تصادفی منابع ایجاد شده‌اند، استفاده می‌کند. به عبارت دیگر، درختان در فضاهای فرعی که به طور تصادفی انتخاب شده اند ساخته می شوند. با الهام از این تصادفی، عملکرد طبقه‌بندی تصویر فراطیفی می‌تواند برای کاهش پدیده معروف هیوز بهبود یابد. با این حال، روش های یادگیری مجموعه مبتنی بر نمودار به ندرت برای طبقه بندی تصاویر ابرطیفی در نظر گرفته شده است.

اگرچه مطالعات و روش‌های زیادی برای استخراج جاده‌ها بر اساس تصاویر سنجش از دور [ 45 ] – [ 50 ] وجود دارد، اکثر آنها برای جاده‌های شهری یا تصاویر با کیفیت بالا طراحی شده‌اند، که تعداد کمی از آنها را برای جاده‌های روستایی قابل استفاده می‌کنند [ 15 ]]. جیان و همکاران در مطالعه خود. سه مشکل مربوط به راه های روستایی را برجسته کنید. اولاً، تغییرپذیری مصالح مورد استفاده برای روسازی (آسفالت، سیمان، شن، سنگ و غیره) که دارای نشانه های طیفی متفاوتی هستند، در صورت اعمال روش های فوق می تواند مشکل ساز باشد. دوم، جاده‌های روستایی عموماً باریک هستند و برخی از بخش‌های جاده می‌توانند به‌طور کامل توسط سایه‌های ابرها، ساختمان‌ها یا دیگر عناصر شبکه پوشیده شوند. ثالثاً راه های روستایی نسبت به جاده های شهری دارای پیچ های بیشتری هستند. استخراج جاده های کامل برای روش های موجود دشوار است. یکی دیگر از مشکلات جاده های روستایی، به ویژه در شمال شرقی برزیل، پوشش گیاهی عمدتاً کاتینگا است. در دوره های خشکسالی، این گیاهان را می توان به راحتی با خاک در معرض و جاده های آسفالت نشده اشتباه گرفت.

این مطالعه از مدل یادگیری ماشین مبتنی بر نمودار استفاده می کند که به ندرت برای طبقه بندی تصاویر فراطیفی در نظر گرفته می شد. به طور خاص، این روش OPF را در طبقه بندی فراطیفی برای استفاده در طراحی هندسی جاده ها معرفی می کند.

2.2. طبقه بندی کننده های OPF

یک طبقه‌بندی جنگل مسیر بهینه (OPF) توسط Papa و همکاران ارائه شد. [ 19 ]، با دو نوع پیشنهادی: بدون نظارت و نظارت شده، که به گراف های کامل OPF و نزدیک ترین گراف های همسایه k (k-NN)، پرکاربردترین نمودارها، تقسیم می شوند. این مدل زمانی که برای مسائل دیگر اعمال می شود نتایج خوبی را به همراه داشته است [ 17 ] [ 18 ] [ 51 ]. برای این طبقه‌بندی‌کننده، یک Forest ایجاد می‌شود که گره‌ها توصیفگر هستند. یک رابطه مجاورت کامل برای این گره ها در نظر گرفته شده و از تابع فاصله برای تعریف روابط بین گره ها استفاده می شود. در داخل جنگل، درختان به گونه ای طبقه بندی می شوند که هر درخت با یک طبقه مرتبط است. یک کلاس را می توان با بیش از یک درخت نشان داد.

این شکل از ساخت طبقه‌بندی‌کننده اجازه می‌دهد تا کلاس‌های غیرخطی قابل تفکیک، با نمونه‌های پراکنده فضایی نشان داده شوند [ 51 ]. هر طبقه‌بندی‌کننده نظارت‌شده از مرحله آموزش اولیه ساخته می‌شود، که در آن مجموعه‌ای از نمونه‌های نماینده هر کلاس برای مشخص‌سازی ارائه می‌شود. متعاقباً، طبقه‌بندی‌کننده باید بتواند تعیین کند که نمونه جدید ارائه‌شده به کدام کلاس تعلق دارد. در مورد طبقه‌بندی‌کننده OPF، مجموعه نمونه‌های آموزشی با استفاده از یک نمودار برچسب‌دار مدل‌سازی می‌شوند که در آن هر نمونه با یک راس نشان داده می‌شود. این رئوس در یک جنگل، یعنی مجموعه ای از درختان سازماندهی شده اند. هر درخت در جنگل فقط شامل رئوس همان کلاس است و برای یک کلاس ممکن است چندین درخت وجود داشته باشد. به این ترتیب، هر طبقه با مجموعه ای از درختان در داخل جنگل ساخته شده مشخص می شود.

برای تولید مجموعه ای از درختان نماینده برای هر کلاس، این روش فرآیندی را برای به حداکثر رساندن نقشه اتصال بین نمونه های همان کلاس اعمال می کند. در این فرآیند، هر رأس مقداری را دریافت می کند که هزینه اتصال آن به گروه خود را مشخص می کند. این مقدار با کمترین هزینه مسیر آن راس با چند راس نمونه اولیه درخت آن مرتبط است. رئوس نمونه اولیه آنهایی هستند که در درخت هستند که به رئوس یک کلاس دیگر نزدیکتر هستند.

برای طبقه بندی یک نمونه جدید، راس دارای کمترین هزینه اتصال با نمونه جدید از داخل کل جنگل جستجو می شود. کلاس آن راس به نمونه جدید اختصاص داده می شود.

OPF نتایجی شبیه به SVM و بهتر از شبکه‌های عصبی و طبقه‌بندی‌کننده‌های بیزی ارائه کرد. بزرگترین تفاوت زمان اجرا است که بسته به اندازه پایگاه داده می تواند سریعتر باشد [ 52 ] [ 53 ].

با استفاده از تصاویر ماهواره ای CCD CBERS-2B که یک منطقه رسوبی از رودخانه پدراس را در شهر Itatinga، Sao Paulo، برزیل، Souza، Lotufo و Rittner [ 31 ] پوشش می دهد، طبقه بندی کننده OPF را با طبقه بندی کننده های ANN-MLP، BC و SVM مقایسه کرد. اگرچه نتایج مشابه SVM بود، OPF 65 برابر سریعتر بود، به ویژه برای حجم داده های بزرگ. فریتاس و همکاران [ 32 ] بارندگی را در مناطق کشاورزی با استفاده از تصاویر آب و هوای ماهواره‌ای GOES تخمین زد و طبقه‌بندی‌کننده‌های OPF را با SVM، ANN-MLP و K-NN مقایسه کرد و OPF زمان اجرا برتر را نشان داد. OPF مناطق فروپاشی شده را از تصاویر ماهواره‌ای GeoEye-MS تشخیص داد و نتایجی مشابه با تکنیک‌های پیشرفته را به همراه داشت [ 33 ]. پاپا و همکاران [ 54]، روشی را با ترکیب طبقه‌بندی‌کننده OPF با سه الگوریتم بهینه‌سازی (PSO، HS، و GSA) برای کاهش مشکل کاهش داده‌های تصویر فراطیفی از طریق انتخاب باند پیشنهاد کرد. ترکیب OPF با HS و GSA نتایج امیدوارکننده ای را به همراه داشته است. Macedo و همکاران، [ 43] از ترکیب تصاویر فراطیفی Hyperion با الگوریتم مسیر جنگلی بهینه (OPF) برای طبقه‌بندی نظارت شده مناطق تحت تأثیر بیابان‌زایی استفاده کرد و کارایی طبقه‌بندی‌کننده‌های OPF و SVM را هنگام اعمال در این مناطق مقایسه کرد. اعتبار سنجی نقشه های موضوعی پوشش زمین بر اساس تحلیل ماتریس سردرگمی با استفاده از همان مجموعه نقاط اعتبارسنجی برای سازگاری انجام شد. هر دو طبقه بندی کننده نتایج معقولی تولید کردند، با این حال، الگوریتم OPF بهتر از SVM عمل کرد. دقت طبقه‌بندی بالاتر به‌دست‌آمده توسط OPF عمدتاً به توانایی تمایز بهتر بین مناطق تخریب‌شده (DA، DOC، و DP) و مناطق حفاظت‌شده (PGP و PDP) نسبت داده می‌شود.

3. مواد و روشها

3.1. منطقه مطالعه

دامنه تجزیه و تحلیل بزرگراه BR 232 بین کیلومتر 141 و 356، عرض جغرافیایی 8˚02’30”S و 8˚39’27”S و طول جغرافیایی 36˚11’56”W و 37˚48’57 بود. W ( شکل 1). این امتداد 255 کیلومتری بزرگراه روستایی از میان شهرداری‌های سائو کائتانو، پسکوئیرا، آرکوورده، کروزیرو دو نوردسته و کوستودیا در شمال شرقی برزیل می‌گذرد. اقتصاد اصلی منطقه، تجارت و خدمات، در حال تجربه و بحران اقتصادی بدتر از بقیه برزیل است. تولید ناخالص داخلی (GDP) منطقه شمال شرق، طی سال گذشته، تنها با نرخی نصف میانگین برزیل رشد کرده است. در سال 2018، تولید ناخالص داخلی شمال شرقی تنها 0.6 درصد رشد کرد، در حالی که تولید ناخالص داخلی برزیل 1.1 درصد افزایش یافت. با متوسط ​​درآمد ماهانه واقعی کارگران 00/385 دلار، شمال شرق برزیل هنوز به شدت به بخش دولتی فدرال برای سرمایه گذاری در زیرساخت ها و ایمنی جاده متکی است [ 4 ].

انتخاب مناطق تحت تأثیر در دسترس بودن داده‌ها برای برخی از بخش‌های جاده‌ای به‌دست‌آمده از پایگاه جاده‌ای DNIT و پایگاه نقشه‌برداری خیابان باز (OSM) بود. تنوع هندسه (کشش های مستقیم و منحنی ها)

از ویژگی های مورد علاقه (شبکه جاده) امکان آزمایش روش پیشنهادی برای موقعیت های مختلف را فراهم می کند. جدیدترین تصاویر موجود که مناطق مورد علاقه را با کیفیت رادیومتریک خوب و/یا عاری از پوشش ابری پوشش می‌دهند، استفاده شد.

3.2. روش پیشنهادی

شکل 2 معماری رویکرد پیشنهادی را نشان می دهد. در ناحیه ای که قرار است پردازش شود، از یک فیلتر گاوسی برای نرم کردن تصویر اصلی و حذف نویز برای بهبود کیفیت تصویر استفاده می شود. الگوریتم تشخیص لبه برای تشخیص مناطق با گرادیان بالا در تصویر استفاده خواهد شد. تصویر لبه ایجاد می شود و بخش های جاده کاندید شناسایی می شوند. بر اساس دانش هندسی، بخش‌های جاده‌ای نامزد مجاور به هم مرتبط خواهند شد. برای بخش‌های جاده‌ای که به دلیل کیفیت تصویر، انسداد یا دلایل دیگر گم شده‌اند، از روش‌های استنتاج استفاده می‌شود و در نهایت، بردارهای جاده کامل استخراج می‌شوند. بخش های زیر ماژول های اصلی معماری را شرح می دهند.

3.3. پیش پردازش داده ها Landsat 8

پردازش تصویر دیجیتال با استفاده از تصاویر ماهواره ای از سنسور TM/Landsat 8 از مدارها/نقاط 215/66 انجام شد. تصویر مورد استفاده در این مطالعه به صورت رایگان از طریق پایگاه داده موسسه ملی تحقیقات فضایی (INPE)، با وضوح فضایی 30 متر و شش باند طیفی در طیف بازتابی، از مادون قرمز مرئی تا موج کوتاه، متعلق به ماه مارس به دست آمده است. 2015.

در ابتدا، یک منطقه مورد مطالعه با استفاده از شش باند (b1، b2، b3، b4، b5، b7، b8، و b9) از تصویر حسگر TM/Landsat 8، که در آن ترکیبات رنگی RGB (قرمز، سبز، آبی) تعیین شد. با استفاده از ترکیب های مختلف باند ایجاد شد. این ترکیب‌بندی‌ها انتخاب بهترین راه را برای ایجاد یک تحلیل تفسیری از رنگ‌بندی منطقه مورد مطالعه، با افشای رنگ‌های مختلف برای رفتارهای طیفی مختلف اهداف درون تصویر، ممکن می‌سازد. ترکیب مورد استفاده برای به دست آوردن امضاها RB4 G (0.65 * [B3] + 0.35 * [B5]) B (0.85 * [B3] – 0.15 * [B5]) بود، زیرا ثابت شد که برای مطالعه مناسب‌ترین است. این ترکیب از نوارها برای تغییرات متمایز در منظره ای که پوشش گیاهی فراوانی ندارد، خوب است. ترکیب باندهای زمین شناسی کاربرد مهمی برای یافتن منابع زمین شناسی دارد.

3.4. پیش پردازش داده هایپریون

تصویر فراطیفی مورد استفاده در آزمایش‌ها بخشی از صحنه 216/65 بود که توسط USGS ارائه شد که منطقه نیمه خشک ایالت پرنامبوکو بین عرض‌های جغرافیایی 8˚02’30”S و 8˚39’27” را پوشش می‌دهد. S و طول جغرافیایی 36˚11’56”W و 37˚48’57”W، که توسط سنسور Hyperion به دست آمده است. هایپریون دارای 242 باند با عرض 10 نانومتر با وضوح فضایی 30 متر است و محدوده ای از 400 تا 2500 نانومتر از طیف الکترومغناطیسی را پوشش می دهد.

باندهای حساس به جذب آب (باندهای 121 – 130، 166 – 180 و 233 – 242) و باندهای کالیبره نشده (233 – 242) به طور پیش فرض با استفاده از نرم افزار پردازش تصویر Erdas Imagine حذف شدند. پس از تجزیه و تحلیل 207 باند باقیمانده، باندهای دارای مقادیر بازتاب منفی زیادی حذف شدند (1-12 و 58-76). تصویر حاصل از 159 باند طیفی به فرمت ASCII تبدیل شد که منجر به ماتریسی از 159 ستون و 75452 نمونه شد.

3.5. استخراج ویژگی های هندسی جاده

روش نیمه خودکار توسعه یافته برای استخراج شبکه جاده از تصاویر با استفاده از طبقه بندی کننده نظارت شده OPF در زیر ارائه شده است.

3.5.1. حذف نویز

برای بهبود کیفیت تصویر، یک فیلتر گاوسی به منظور شناسایی تابعی برای عادی سازی سطوح برای هر رنگ به کار گرفته شد. بنابراین تعیین مقادیر میانگین و انحراف معیار برای هر رنگ ضروری است. نتیجه پردازش یک تصویر داده شده با استفاده از فیلتر گاوسی را می توان با تولید نموداری از توزیع های گاوسی همراه کرد که در آن هر منحنی رنگ های RGB را نشان می دهد. طبق [ 55]، فیلترهای صاف کننده خطی از یک تابع خطی استفاده می کنند که قادر به محو کردن و کاهش نویز در تصویر است. این پیش پردازش برای انجام استخراج اجسام بزرگتر مهم است. نویز می تواند در روشنایی به دلیل خرابی در مرحله ضبط، خرابی در مرحله انتقال یا حتی به دلیل مراحل انجام شده در پیش پردازش متفاوت باشد. استفاده از این فیلترهای صاف کننده خطی، مقادیر هر پیکسل در تصویر را با میانگین گیری سطوح شدت همسایگان آن، که با ماسکی با اندازه m × n تعریف می شوند، محاسبه می کند.

3.5.2. تشخیص جاده

تشخیص عناصر جاده، علاوه بر خود تصویر ماهواره ای (در فرمت RGB)، به ماسکی نیاز دارد که در آن خیابان ها، جاده های آسفالت نشده و سایر مکان های دیدنی نمایش داده شوند. عناصری مانند درختان می توانند در شناسایی اشیاء مورد نظر اختلال ایجاد کنند و بنابراین اولین گام روش شناسایی و متعاقبا حذف آنهاست تا از ناحیه اهمیت کاسته شود. برای این منظور، تصویر به طیف رنگی HSV (رنگ، ​​اشباع و مقدار) تبدیل می شود. هدف از این مرحله بهبود دقت هنگام کار با یک تصویر رنگی است.

در الگوریتم فیلترینگ، جایی که شناسایی جاده انجام می شود، مقدار روشنایی (V) (که بین 0 تا 1 متغیر است، 0 به معنای سیاه و 1 به معنای سفید است) یک آستانه مشخص اختصاص می یابد. سپس، به تمام پیکسل هایی که دارای مقدار کمتر از آستانه انتخاب شده هستند، مقدار 0 اختصاص داده می شود. برای بهبود و بهبود تصویر، اشباع (S) روی مقدار 50 درصد تنظیم شد.

پس از فرآیند شناسایی جاده، سایر عناصر نامطلوب که می توانند تجزیه و تحلیل داده ها را خراب کنند، حذف می شوند. عناصری که ساختمان ها را نشان می دهند می توانند با مسیرهای ترافیکی اشتباه گرفته شوند و به همین دلیل نیز باید حذف شوند. برای انجام این کار، ماسک تصویر (که در ابتدای بخش ذکر شد) مورد نیاز است. الگوریتمی که این مرحله را انجام می‌دهد شامل تخصیص مقدار 0 (سیاه) به فضاهای مربوط به عناصر ساختمان در تصویر تحلیل‌شده، بر اساس ماسک است.

3.5.3. تشخیص لبه

پس از مراحل اولیه پیش پردازش، تصویر به یک الگوریتم تشخیص لبه ارسال می شود. این مرحله شامل جستجوی تغییرات ناگهانی (ناپیوستگی) شدت رنگ است، زیرا به آسانی اشیاء و ویژگی‌های آنها (مساحت، شکل هندسی) شناسایی می‌شوند. در این مطالعه، تصمیم گرفته شد از الگوریتم تشخیص لبه سوبل استفاده شود، زیرا نسبت به رقبای خود مزایایی در محدوده پیشنهادی این مطالعه دارد و وزن بیشتری به نقاط نزدیک به پیکسل مرکزی می‌دهد که به آن اجازه می‌دهد لبه‌های برجسته‌تری به دست آورد.

3.6. بازسازی بخشهای گمشده از شبکه راهها

از طریق فرآیند طبقه‌بندی بر اساس قوانین تعریف‌شده، می‌توان مرتبط‌ترین بخش‌های شبکه راه موجود در صحنه‌های مورد مطالعه را مشخص کرد [ 56 ]. اما به دلیل انسداد عناصری مانند درختان و ساختمان‌ها، پس از طی مراحل اولیه همچنان بخش‌های جاده‌ای مجزا و غیرپیوسته وجود داشت. برخی از ویژگی های مورد علاقه به طور کامل استخراج نشدند و سایر ویژگی هایی که مورد علاقه نبودند (نویز) شناسایی شدند. این به دلیل محدودیت های اعمال شده توسط تصاویر مورد مطالعه است. بنابراین روال‌هایی مبتنی بر عملگرهای مورفولوژیکی معرفی شدند که به ویژگی‌های خطی غیر استخراج‌شده و همچنین پیش پردازش، فیلتر کردن و اصلاح بیشتر محلول‌ها اجازه می‌دادند. همه روال ها در نرم افزار ArcGis توسعه داده شدند.

برای بازیابی ویژگی‌های از دست رفته مورد علاقه در طبقه‌بندی، از یک عملیات بازسازی مورفولوژیکی استفاده شد که شامل اعمال اتساع متوالی بر روی یک تصویر نشانگر تا زمانی که در تصویر ماسک دوم قرار گیرد، است. به عنوان یک تصویر نشانگر، از تصویر باینری تولید شده از نتایج طبقه‌بندی مبتنی بر شی استفاده شد، که در آن عناصر متعلق به جاده‌ها با مقدار یک (1) و عناصر پس‌زمینه با مقدار صفر (0) نشان داده می‌شوند. این در ابتدا برای بهبود جاده ها با استفاده از یک عنصر ساختاری ماسک کامل به اندازه 3×3 استفاده شد. این عملیات را می توان به عنوان یک فیلتر بالاگذر در نظر گرفت که علاوه بر استخراج اطلاعات فرکانس بالا، صاف کردن تصویر را نیز انجام می دهد [ 57 ]]. پس از آن، عملیات آستانه گذاری روی تصویر فیلتر شده برای جداسازی ویژگی های برجسته شده مورد علاقه انجام شد. مناسب ترین آستانه با استفاده از هیستوگرام تصویر فیلتر شده تعیین شد.

3.7. پالایش ویژگی های مورد علاقه و به دست آوردن شبکه راه

ویژگی‌های استخراج‌شده، طبق رویه‌هایی که در بالا توضیح داده شد، بخش‌های خطی به شکل چندضلعی هستند که امتداد شبکه راه را نشان می‌دهند. برای به دست آوردن مسیرها به صورت خطوط ساده که معرف محورهای میانی قطعه ها هستند، ابتدا لازم بود عملیاتی برای اتصال بخش های کوچک جدا شده و حذف شکاف ها و همچنین اشیایی که هنوز در صحنه وجود دارند و جزئی از آن نیستند اعمال شود. جاده ها در ابتدا، بخش های کوچک ناپیوسته با استفاده از یک عمل اتساع به هم متصل شدند. پس از آن، شکاف ها با استفاده از عملیات بستن مورفولوژیکی حذف شدند. عملیات باز کردن منطقه مرحله بعدی بود که برای حذف اجسام کوچکتر از تعداد معینی پیکسل که بخشی از جاده نیستند اعمال شد. در تمام این عملیات، از یک المان ساختاری ماسک شکل کامل 3×3 استفاده شد.

روش برداری نیمه خودکار برای تمام بزرگراه های موجود در تصاویر استفاده شد. Layout در محیط ArcGIS انجام شد و مقیاس صفحه را روی 1:6000 تنظیم کرد تا تفسیر هدف را استاندارد کند و بردارهای خط مرجع همگن و دقیق را بدست آورد. در این فرآیند به دنبال ترسیم خط مرکزی راه ها بود.

3.8. مقایسه الگوریتم های طبقه بندی

برای تعیین کمیت خطاهای ایجاد شده توسط تکنیک‌های طبقه‌بندی مختلف مورد استفاده در این مطالعه، ماتریس‌های خطا یا سردرگمی ساخته شد که امکان مقایسه داده‌های نمونه‌های اعتبارسنجی و نتایج طبقه‌بندی را فراهم می‌کند. یکی از پرکاربردترین روش‌ها برای ارزیابی قابلیت اطمینان یک طبقه‌بندی، شاخص کاپا است که یک تکنیک اندازه‌گیری دقت است که می‌تواند برای تعیین اینکه آیا یک ماتریس خطا به طور قابل توجهی با دیگری متفاوت است یا خیر، استفاده می‌شود. این شاخص بر اساس تفاوت بین دقت کلی (که با قطر ماتریس نشان داده می شود) و دقت ریسک تولید کننده و مصرف کننده است که با مجموع سطرها و ستون های ماتریس سردرگمی نشان داده می شود.

قابلیت اطمینان محدودیت اصلی در طبقه بندی تصاویر ماهواره ای است که عموماً با دقت کمتر از 90 درصد [ 58 ] است. از جمله عواملی که با دقت تداخل دارند، پیکسل‌های اختلاط، همپوشانی بین داده‌های بازتاب از اهداف مختلف در فضا، بازنمایی کم نمونه‌های آموزشی، و توانایی خود طبقه‌بندی کننده برای مقابله با ناسازگاری‌ها در فرآیند است [ 59 ].

4. نتایج

4.1. آزمایش

فرآیند طبقه بندی جاده ها با استفاده از Erdas Imagine انجام شد. به عنوان مرحله اولیه این فرآیند، اشیاء از طریق تقسیم بندی تصویر به دست آمدند. برای تقسیم‌بندی تصویر، از سطح مقیاس 40 استفاده شد، که به معنای کنار گذاشتن 40 درصد از پایین‌ترین مقادیر تصویر گرادیان است، که اجازه می‌دهد تنها لبه‌هایی که به خوبی تعریف شده‌اند حفظ شوند. برای گروه بندی اشیاء مجاور مشابه، سه (3) باند طیفی از تصاویر در نظر گرفته شد. ماسک مورد استفاده در اندازه 3×3 بود. مقادیر مورد استفاده در مقیاس و پارامترهای ادغام ذکر شده در بالا پس از انجام آزمایش‌های مختلف بر روی هر دو تصویر مورد مطالعه، انتخاب مواردی که به بهترین وجه امکان شخصی‌سازی اشیاء مورد علاقه را در دو صحنه ممکن می‌سازد، تعریف شدند. .

روش طبقه‌بندی تصویر از مراحل زیر استفاده می‌کند: ترکیب رنگی تصویر ( شکل 3 )، مناطق آموزشی و استخراج امضاها ( شکل 4 )، ایجاد نمودار منحنی طیفی، نقشه برچسب‌دار، تقسیم‌بندی و نقشه طبقه‌بندی نهایی.

در تصاویر Hyperion و LandSat 8 ( شکل 5 و شکل 6 )، 10 طبقه از پوشش زمین برای تمایز بهتر منطقه شناسایی شد: 1) آب – W، 2) خاک در معرض – ES، 3) کاتینگا متراکم خشک – DDC، 4) Caatinga متراکم سبز – GDC، 5) منطقه شهری – UA، 6) آسفالت جاده آسفالت شده – PRA، 7) جاده آسفالت شده – بتن، 8) جاده آسفالت نشده – UR، 9) ابرها – C و 10) سایه ها – S.

نمونه هایی از 10 کلاس پوشش خاک، متناسب با مناطق مشخص شده در تصویر، برای تولید سه مجموعه آموزشی استفاده شد. مجموعه اول بر اساس مکان نقاط جمع آوری شده در میدان با GPS انتخاب شد و 8 کلاس را شناسایی کرد. هیچ اطلاعات میدانی برای کلاس های ابرها و سایه ها جمع آوری نشد. مجموعه دوم بر اساس تفسیر بصری صحنه به دنبال شباهت بین پیکسل ها بود. این بر اساس تصاویر چند طیفی از سنسور LANDSAT 8 OLI، به دست آمده در مدارها/نقاط 215/66، که قبلا طبقه بندی شده بودند، انتخاب شد. مجموعه سوم از نمونه ها از طریق یک کتابخانه طیفی بدون انجام طبقه بندی تصویر به دست آمد.

مجموعه های آموزشی به دو مجموعه جدید مجزا برای آموزش و آزمایش تقسیم شدند که 50 درصد از کل نمونه ها در هر یک، 50 درصد برای آموزش طبقه بندی کننده ها و 50 درصد برای ارزیابی دقت آنها استفاده می شود ( جدول 1 ).

سه آزمایش اصلی انجام شد. اولین مورد ارزیابی اثربخشی OPF برای طبقه‌بندی تصاویر فراطیفی با ویژگی‌های ابربعدی اصلی بود. در مرحله دوم، مقایسه کمی و کیفی دقت OPF برای طبقه‌بندی داده‌ها با استفاده از تصاویر چند طیفی (Landsat 8) و تصاویر فراطیفی (Hyperion) انجام شد. در مرحله سوم، مقایسه ای بین روش های طبقه بندی OPF و SVM برای تصاویر فراطیفی از حسگر Hyperion انجام شده است. برای طبقه‌بندی‌کننده OPF، کتابخانه C یا LibOPF [ 54 ] استفاده شد که طرحی برای طبقه‌بندی‌کننده‌های مسیر بهینه جنگل است. از همین مجموعه آموزشی برای طبقه بندی SVM استفاده شد.

برای مقایسه نتایج به‌دست‌آمده بین طبقه‌بندی‌های هر دو حسگر و طبقه‌بندی‌کننده، ماتریس سردرگمی در نرم‌افزار Erdas Imagine تولید شد و ضریب کاپا بر اساس ادبیات [ 58 ] محاسبه شد.

4.2. طبقه بندی نظارت شده

در ابتدا، طبقات شرح داده شده در بالا گروه بندی شدند و پنج کلاس برای طبقه بندی تصاویر و مقایسه بین تصاویر فراطیفی و چند طیفی با استفاده از طبقه بندی کننده OPF در نظر گرفته شد: 1) آب – W، 2) خاک در معرض – ES (خاک در معرض + بزرگراه بدون سنگفرش)، 3 ) پوشش گیاهی – V (Caatinga متراکم خشک + Caatinga متراکم سبز)، 4) منطقه شهری – UA و، 5) جاده – R (آسفالت جاده آسفالت شده). کلاس های بتن جاده سنگفرش، ابر و سایه در نظر گرفته نشد. این تصمیم بر این واقعیت استوار بود که تصاویر چند طیفی تفکیک پذیری خوبی بین مواد تشکیل دهنده جاده (آسفالت، بتن، شن و غیره) ارائه نمی کنند [ 15 ]. علیرغم اینکه آزمایش ساده‌تری است، نیازهای شمال شرق برزیل را برآورده می‌کند، جایی که بیشتر بزرگراه‌های روستایی آسفالت هستند.

در هر دو طبقه بندی، طبقه بندی نادرست بین منطقه شهری و بزرگراه رخ داده است. اگرچه دقت طبقه‌بندی Hyperion از نظر آماری بالاتر از Landsat بود و خطاهای کمیسیون و خطاهای حذف برای همه کلاس‌های مورد مطالعه کمتر بود، اما می‌توان گفت که کیفیت هر دو طبقه‌بندی مشابه بود ( شکل 7 و شکل 8 ). اگرچه سنسور OLI تقریباً 75 برابر کمتر از سنسور Hyperion [ 60 ] داده جمع آوری می کند، موقعیت و عرض باندهای طیفی برای طبقه بندی بزرگراه ها کافی است.

پس از آن، طبقه‌بندی تصویر برای حسگر Hyperion با در نظر گرفتن 10 کلاسی که در بالا توضیح داده شد با استفاده از طبقه‌بندی کننده OPF انجام شد ( شکل 5 ). تمام آزمایش ها با استفاده از طبقه بندی کننده SVM ( شکل 6 ) به منظور مقایسه نتایج تکرار شدند.

اگرچه تصاویر ماهواره ای با وضوح پایین برای دسترسی آسان، رایگان و بر روی تعداد زیادی پلت فرم در دسترس هستند، اما استفاده از آنها یک مشکل پردازش واقعی را ایجاد می کند، زیرا آنها دارای مقدار زیادی نویز نامطلوب و نواقص هستند که مانع از تجزیه و تحلیل استخراج ویژگی می شود. تشخیص الگو برای سنجش از راه دور ضروری است. با این حال، در شرایطی که پایگاه داده بسیار بزرگ است، هزینه آموزش یک الگوریتم طبقه بندی ممکن است رضایت بخش و زمان بر باشد.

در این مقاله، تصاویر چند طیفی (Landsat 8) و تصاویر فراطیفی (Hyperion) با استفاده از طبقه‌بندی کننده OPF طبقه‌بندی شدند. نتایج تجربی نشان داد که OPF نرخ شناسایی مشابهی را به دست آورد. این مطالعه در استفاده از طبقه‌بندی‌کننده OPF برای استخراج ویژگی‌های شبکه جاده‌ای هندسی از تصاویر فراطیفی پیشگام بود. این تصاویر حجم زیادی از داده ها را ذخیره می کنند که در نهایت کارایی طبقه بندی کننده های سنتی مانند SVM را کاهش می دهد. OPF همچنین زمان اجرای طولانی تری داشت، اما 48 برابر سریعتر از طبقه بندی کننده های آزمایش شده در مرحله آموزش و آزمایش بود. در طبقه بندی تصویر کامل، OPF حدود 180 برابر سریعتر از سایر طبقه بندی کننده های ذکر شده در ادبیات بود. با توجه به اطلاعات طیفی بیشتر ارائه شده توسط حسگر Hyperion، دقت طبقه بندی برای این سنسور تصویر s بالاتر از حسگر لندست 8 بود. نتایج با توجه به استفاده از زمین و جداسازی پوشش زمین که در آن تفاوت‌های طیفی در مقایسه با کلاس‌هایی که در آن‌ها امضاهای طیفی بسیار مشابه هستند، خوب بود. OPF برای تصاویر چند طیفی نیز تمایزات بیشتری را بین مناطق مناطق مورد مطالعه (منطقه شهری و جاده ها) ارائه می دهد. برخی سردرگمی های کوچک بین این مناطق وجود داشت، اما این امر بر نتیجه نهایی طبقه بندی تأثیری نداشت.

کیفیت کاربری اراضی و طبقه بندی پوشش زمین به دست آمده از تصویر حسگر OLI مشابه با حسگر Hyperion بود. داشتن سطح بالاتری از جزئیات طیفی در تصاویر فراطیفی، به دلیل وضوح طیفی بالا، توانایی بهتری برای دیدن نادیده‌ها و تمایز بین مناطق شهری و جاده‌ها را فراهم می‌کند.

4.3. تفکیک پذیری طبقات

با استفاده از داده های شش باند انعکاسی سنسور OLI، دقت در تشخیص پنج کلاس مورد علاقه در صحنه مورد مطالعه 96.5٪ با مقدار کاپا برابر با 0.88 بود.

با توجه به تمایز طبقات مورد علاقه با استفاده از هشت باند اول Hyperion، دقت طبقه‌بندی 97.9 درصد و مقدار کاپا 0.93 بود. تفکیک پذیری طبقات به دست آمده توسط OPF-Hyperspectral سطح دقت بهتری نسبت به OPF-چند طیفی نشان داد. به طور خاص، برای کلاس های مربوط به جاده ها (R)، OPF-Multispectral دقت 92.78٪ را به دست آورد، در حالی که OPF-Hyperspectral برای این کلاس ها به 99.75٪ دقت رسید ( شکل 9 ).

در طبقه‌بندی داده‌های چند طیفی ( جدول 2 )، کمترین خطای کمیسیون (پیکسل‌های کلاس‌های دیگر که به کلاس مرجع تخصیص داده شدند) و خطاهای حذف (پیکسل‌های متعلق به یک کلاس مرجع که به کلاس‌های دیگر تخصیص داده شدند) برای آب مشاهده شد. W)، به ترتیب 1.34٪ و 2.88٪، بهترین عملکرد طبقه بندی کننده را به آن می دهد. اگرچه 27/91 درصد از پیکسل‌های متعلق به کلاس منطقه شهری و 80/91 درصد از کلاس خاک در معرض به درستی طبقه‌بندی شدند، اما بیشترین خطای کمیسیون برای این کلاس‌ها مشاهده شد. این نشان می‌دهد که 28/32 درصد از پیکسل‌هایی که به عنوان منطقه شهری و 42/31 درصد از آن‌هایی که به عنوان خاک در معرض طبقه‌بندی شده‌اند، در واقع به کلاس‌های دیگر تعلق دارند.

در طبقه بندی داده های فراطیفی ( جدول 3 )، بهترین طبقه بندی نیز برای آب (W) یافت شد، اما با خطاهای کمیسیون و حذف کمتر (به ترتیب 02/1 و 16/1 درصد).

در طبقه بندی داده های فراطیفی با در نظر گرفتن 10 کلاس مورد علاقه، دقت طبقه بندی 97.9% و مقدار کاپا 0.93 بود. جدول 4 و جدول 5 ماتریس سردرگمی بدست آمده برای طبقه بندی متغیرها را به ترتیب با استفاده از طبقه بندی کننده های OPF و SVM نشان می دهد.

آ. کمیسیون ب. حذف.

کلاس‌های W، PRA، C و S به درستی طبقه‌بندی شدند، به این معنی که طبقه‌بندی‌کننده‌ها می‌توانستند این کلاس‌ها را متمایز کنند. در بین کلاس‌های جاده، قابلیت تفکیک‌پذیری برای PRA (آسفالت جاده هموار شده) کافی بود، با این حال برای UR و ES، سردرگمی طیفی مشهود بود. شباهت طیفی دو کلاس به احتمال زیاد باعث سردرگمی در طبقه بندی شده است. همین اتفاق برای کلاس های UA و PRC رخ داد.

در جدول 4 و جدول 5 بالا مشاهده می شود که از 10 کلاس، سه کلاس عملکرد زیر 80% داشتند (ES 75%، UR 63% و PRC 73%)، سه کلاس بین 80% و 90% بودند (DDC 81٪، GDC 92٪ و UA 86٪، و چهار کلاس یک شاخص دقت کلی بیشتر از 90٪ (PRA 97٪، C 91٪، S 92٪ و W 100٪) به دست آوردند.

4.4. طیف سنجی تصویر

این نتایج نشان می‌دهد که تصاویر فراطیفی بهتر از تصاویر چند طیفی در جاده‌هایی با تفاوت‌های طیفی بسیار ظریف، مانند تشخیص خط و خاک در معرض، عملکرد بهتری دارند. کلاس بزرگراه ها دارای علامت طیفی مشابه امضای طیفی شهری هستند، اما با وجود شباهت در شدت ویژگی های جذب، منحنی های طیفی متفاوتی با توجه به بزرگی بازتاب دارند ( شکل 10 ). طیف‌سنجی تصویری توانایی حسگرهای فراطیفی را برای رهگیری انرژی الکترومغناطیسی در محدوده‌های طول موج بسیار باریک و تشخیص ویژگی‌های جذب کوچک نشان می‌دهد.

4.5. نتایج برای استخراج قطعات جاده

شکل 11 و شکل 12 نتیجه تشخیص لبه را برای تصاویر از حسگر Hyperion و از سنسور LandSat 8 برای منطقه مورد مطالعه نشان می دهد. سمت چپ تصویر اصلی را نشان می دهد، در حالی که سمت راست نتیجه تشخیص لبه را نشان می دهد.

مشاهده می‌شود که الگوریتم‌ها با دقت تمام تغییرات گرادیان آشکار در تصویر را شناسایی کرده‌اند، با این حال، ویژگی‌های خطی به دلیل وضوح فضایی پایین چندان مشهود نیستند. جاده ها در مقاطع مستقیم با دقت بیشتری شناسایی می شوند. به خصوص در شکل 12، در جایی که دو نوع جاده وجود دارد، یک جاده بتنی و یک جاده آسفالته، نتایج تشخیص لبه برای هر دو خوب است. با این حال، در بخش های منحنی یا تقاطع های نزدیک، هنوز تعداد کمی از ویژگی های نادرست وجود دارد. مشاهده می شود که نتیجه تکه تکه شده و تعداد کمی از جاده های استخراج شده کامل است. این احتمالاً به این دلیل است که اطلاعات طیفی محدود به یک پیکسل نمی تواند ویژگی های جاده های روستایی را منعکس کند. این نتایج زمانی بهترین هستند که نمونه های آموزشی با امضاهای طیفی اهداف جایگزین شوند. نکته دیگری که به آن اشاره می شود این است که جاده هایی که به اشتباه استخراج می شوند عمدتاً جاده هایی با سایه های پوشش گیاهی یا تقاطع هستند که منجر به استنباط نادرست یا اتصال به هم بخش های جاده می شود. به طور کلی،

علیرغم عملکرد خوب در شناسایی راه‌ها، نتیجه طبقه‌بندی به تنهایی برای ساخت پایه‌های جاده‌ای که از مدل‌های ایمنی جاده پشتیبانی می‌کنند، کافی نیست، که نیاز به طراحی هندسی برای شناسایی صحیح بخش‌های مستقیم و منحنی و همچنین شعاع آن منحنی ها برای تکمیل این طبقه بندی، فرآیند استخراج بر اساس استنتاج ویژگی های هندسی ضروری است [ 15 ]. یک منطقه آزمایش کوچک (مستطیل قرمز) برای نشان دادن بهتر نتایج انتخاب شد ( شکل 13 ).

شکل 14 نتیجه تقسیم بندی تصویر (چپ) و ویژگی های خطی استخراج شده از طریق طبقه بندی OPF (راست) را نشان می دهد. شکل 15 نتیجه پیوند بخش های نامزد و استنباط بخش های جاده گم شده است.

4.6. مقایسه نتایج

نتایج با استفاده از اطلاعات مزرعه واقعی، ارائه شده توسط Embrapa Soils-UEP Recife مورد ارزیابی قرار گرفت. آزمایش‌ها 10 بار برای هر مجموعه انجام شد و به دقت بالایی دست یافت، با مقادیر شاخص کاپا از 0.6712 تا 0.7857 و دقت جهانی از 90.07٪ تا 91.52 درصد. نتایج نشان می دهد که OPF در تصاویر چند طیفی تقریباً 96.92٪ دقیق است و نسبت به تصاویر فراطیفی برتری دارد. OPF هنگام کار با حجم داده های بزرگ عملکرد خوبی از خود نشان داد. SVM برای تصاویر چند طیفی تقریباً 96.92٪ و برای تصاویر فراطیفی کمتر بود. جدول 6 دقت و زمان اجرا را نشان می دهد.

هنگامی که مقایسه انجام شده مربوط به عملکرد مجموعه داده‌ها بود، نشان داده شد که برای تمام سطوح جزئیات، رتبه‌بندی‌های به‌دست‌آمده با استفاده از داده‌های تصاویر فراطیفی نتایج قابل‌توجهی بهتری نسبت به رتبه‌بندی‌های به‌دست‌آمده با استفاده از داده‌های تصاویر چند طیفی برای هر دو طبقه‌بندی کننده نشان دادند. با این حال، برای تصاویر فراطیفی، طبقه بندی کننده OPF برتر بود. زمان اجرا برای طبقه بندی کننده OPF به طور متوسط ​​11 برابر سریعتر از SVM بود.

این نتیجه نشان می دهد که مشخص کردن دقیق اهداف موجود در محیط شهری مستلزم قدرت تفکیک مکانی بالا است، اما ترکیب این ویژگی مهم با وضوح طیفی بالا می تواند به نتایج دقیق تر و دقیق تری منجر شود.

5. نتیجه گیری ها

بر اساس گزارش سازمان ملل متحد، برزیل رتبه پنجم مرگ و میر ناشی از تصادفات رانندگی را دارد. برای کاهش این تعداد، اقدامات موثر مدیریت ایمنی راه ضروری است. این مدیریت به عوامل بسیاری مرتبط با حوادث و مکان هایی که در آن رخ می دهد بستگی دارد. برای این، پایه جاده هندسی ضروری است. با این حال، اکثر شهرداری های برزیل نقشه ندارند. این واقعیت در شمال شرق برزیل و در مناطق روستایی بدتر است، به دلیل دشواری دسترسی و هزینه بالای نقشه برداری با روش های سنتی یا استفاده از تصاویر ماهواره ای با وضوح بالا. اگرچه تصاویر فضایی با وضوح بالا معمولاً در سراسر جهان برای استخراج جاده ها استفاده می شوند، اما به دلیل هزینه بالای بدست آوردن امکان پذیر نیستند. تصاویر چند طیفی و فراطیفی نتایج رضایت بخشی را نشان می‌دهند که عمدتاً به دلیل ترکیب آسفالت بیشتر جاده‌های اصلی است. با این حال، تصاویر فراطیفی به دلیل تفکیک طیفی بالا برای تشخیص مواد تشکیل دهنده مختلف (بتن، آسفالت، خاک در معرض و غیره) بهتر هستند. بنابراین این کمبود اطلاعات در مورد طراحی جاده را می توان با استفاده از تصاویر فراطیفی حل کرد. هدف سنجش از دور فراطیفی در مطالعات جاده، توانایی اندازه‌گیری ویژگی‌های طیفی یا شناسایی نوارهای جذب منحصربه‌فرد موجود در مواد موجود در محیط است. تعداد زیاد نوارهای به هم پیوسته امکان استخراج اطلاعات در مورد خواص شیمیایی و فیزیکی مواد را فراهم می کند. بنابراین، هدفی که شناسایی آن توسط حسگرهای چندطیفی سنتی دشوار است، بسته به ویژگی‌های طیفی موجود در پیکسل‌ها، می‌تواند توسط حسگرهای فراطیفی متمایز شود. آسفالت، خاک در معرض، و غیره) به دلیل وضوح طیفی بالا. بنابراین این کمبود اطلاعات در مورد طراحی جاده را می توان با استفاده از تصاویر فراطیفی حل کرد. هدف سنجش از دور فراطیفی در مطالعات جاده، توانایی اندازه‌گیری ویژگی‌های طیفی یا شناسایی نوارهای جذب منحصربه‌فرد موجود در مواد موجود در محیط است. تعداد زیاد نوارهای به هم پیوسته امکان استخراج اطلاعات در مورد خواص شیمیایی و فیزیکی مواد را فراهم می کند. بنابراین، هدفی که شناسایی آن توسط حسگرهای چندطیفی سنتی دشوار است، بسته به ویژگی‌های طیفی موجود در پیکسل‌ها، می‌تواند توسط حسگرهای فراطیفی متمایز شود. آسفالت، خاک در معرض، و غیره) به دلیل وضوح طیفی بالا. بنابراین این کمبود اطلاعات در مورد طراحی جاده را می توان با استفاده از تصاویر فراطیفی حل کرد. هدف سنجش از دور فراطیفی در مطالعات جاده، توانایی اندازه‌گیری ویژگی‌های طیفی یا شناسایی نوارهای جذب منحصربه‌فرد موجود در مواد موجود در محیط است. تعداد زیاد نوارهای به هم پیوسته امکان استخراج اطلاعات در مورد خواص شیمیایی و فیزیکی مواد را فراهم می کند. بنابراین، هدفی که شناسایی آن توسط حسگرهای چندطیفی سنتی دشوار است، بسته به ویژگی‌های طیفی موجود در پیکسل‌ها، می‌تواند توسط حسگرهای فراطیفی متمایز شود. هدف سنجش از دور فراطیفی در مطالعات جاده، توانایی اندازه‌گیری ویژگی‌های طیفی یا شناسایی نوارهای جذب منحصربه‌فرد موجود در مواد موجود در محیط است. تعداد زیاد نوارهای به هم پیوسته امکان استخراج اطلاعات در مورد خواص شیمیایی و فیزیکی مواد را فراهم می کند. بنابراین، هدفی که شناسایی آن توسط حسگرهای چندطیفی سنتی دشوار است، بسته به ویژگی‌های طیفی موجود در پیکسل‌ها، می‌تواند توسط حسگرهای فراطیفی متمایز شود. هدف سنجش از دور فراطیفی در مطالعات جاده، توانایی اندازه‌گیری ویژگی‌های طیفی یا شناسایی نوارهای جذب منحصربه‌فرد موجود در مواد موجود در محیط است. تعداد زیاد نوارهای به هم پیوسته امکان استخراج اطلاعات در مورد خواص شیمیایی و فیزیکی مواد را فراهم می کند. بنابراین، هدفی که شناسایی آن توسط حسگرهای چندطیفی سنتی دشوار است، بسته به ویژگی‌های طیفی موجود در پیکسل‌ها، می‌تواند توسط حسگرهای فراطیفی متمایز شود.

نتایج نشان می دهد که طبقه بندی کننده OPF با استفاده از تصاویر فراطیفی با میانگین نرخ ضربه 97.90 درصد عملکرد بهتری به دست آورد. استفاده از تصاویر ماهواره ای می تواند جایگزینی در جمع آوری اطلاعات برای پایگاه داده های حوادث باشد.

به طور کلی، طبقه‌بندی تصاویر به تنهایی پاسخگوی نیازهای مدل‌های ایمنی راه نیست، جایی که بازسازی و شناسایی دقیق عناصر شبکه راه (بخش‌های مستقیم، بخش‌های منحنی، شعاع منحنی‌ها و غیره) برای ارتباط بعدی مهم است. با داده های تصادف (محل، نوع حادثه، شرایط آب و هوایی و غیره). بنابراین، تکنیک‌های ژئوفرآوری برای تفصیل صحیح این پایه‌ها ضروری است. روش پیشنهادی در این مطالعه برای شناسایی و استخراج جاده‌ها از تصاویر ماهواره‌ای با وضوح پایین با استفاده از پردازش دیجیتال و تشخیص الگو نتایج با سطح دقت خوبی تولید کرد. بدترین نتایج در جاده های آسفالت نشده و خاک در معرض دید بود. سایر تکنیک های ژئوپردازش، مانند کاهش تعداد بیش از حد رئوس، بازسازی عناصر منحنی، و بخش های هموارسازی را می توان برای بهبود کیفیت هندسی پایه جاده اضافه کرد. همچنین می‌توان کار دیگری را برای بررسی امکان استفاده از روش پیشنهادی با استفاده از شبکه‌های عصبی برای طبقه‌بندی شبکه‌های جاده‌ای انجام داد.

منابع

[ 1 ]	Organizacao Pan-Americana da Saúde (2016).
[ 2 ]	انجمن آمریکایی مقامات بزرگراه و حمل و نقل ایالتی (2010) سیاستی در مورد طراحی هندسی بزرگراه ها و خیابان ها. ویرایش پنجم، AASHTO، واشنگتن، دی سی
[ 3 ]	Boffo، GH (2011) Formatos e Técnicas de modelos de previsao de acidentes de transito. رساله مسترادو.
[ 4 ]	https://economia.uol.com.br/noticias/redacao/2019/04/06/pib-economia-nordeste.htm
[ 5 ]	Salbego، AG، Giotto، E. and Madruga، PRA (2006) Geoprocessamento aplicado ao diagnóstico e spacializacao da infra-estrutura viária rural. Ambiência, 2, 179-195.
[ 6 ]	Long, H. and Zhao, Z. (2005) استخراج جاده شهری از تصاویر ماهواره ای نوری با وضوح بالا. مجله بین المللی سنجش از دور، 26، 4907-4921. https://doi.org/10.1080/01431160500258966
[ 7 ]	Hormese, J. and Saravanan, C. (2016) استخراج خودکار جاده از تصاویر ماهواره ای با وضوح بالا. Procedia Technologies, 24, 1460-1467. https://doi.org/10.1016/j.protcy.2016.05.180
[ 8 ]	Li, Y. and Briggs, R. (2009) استخراج خودکار جاده ها از تصاویر هوایی و ماهواره ای با وضوح بالا با نویز سنگین. مجله بین المللی کامپیوتر و مهندسی اطلاعات، 3، 1571-1577.
[ 9 ]	Xia, W., Zhang, Y., Liu, J., Luo, L. and Yang, K. (2018) استخراج جاده از تصویر با وضوح بالا با شبکه پیچیدگی عمیق – مطالعه موردی تصویر GF-2. مجموعه مقالات دومین کنفرانس بین المللی الکترونیک سنجش از دور، 2، 325. https://doi.org/10.3390/ecrs-2-05138
[ 10 ]	Kahraman, I., Karas, IR and Akay, AE (2018) تکنیک های استخراج جاده از تصاویر سنجش از دور: مروری. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، کنفرانس بین المللی ژئوماتیک و فناوری ژئومکانیک 2018، کوالالامپور، مالزی، 3-5 سپتامبر 2018، 339-342. https://doi.org/10.5194/isprs-archives-XLII-4-W9-339-2018
[ 11 ]	Wang, W., Yang, N., Zhang, Y., Wang, F., Cao, T. and Eklund, P. (2016) مروری بر استخراج جاده از تصاویر سنجش از دور. مجله مهندسی ترافیک و حمل و نقل، 3، 271-282. https://doi.org/10.1016/j.jtte.2016.05.005
[ 12 ]	Shackelford, A. and Davis, C. (2003) استخراج شبکه جاده ای کاملاً خودکار از تصاویر چندطیفی ماهواره ای با وضوح بالا. بین المللی زمین شناسی و سنجش از دور، 1، 461-463. https://doi.org/10.1109/IGARSS.2003.1293809
[ 13 ]	Hu, X., Tao, C. and Hu, Y. (2004) استخراج خودکار جاده از منطقه متراکم شهری با پردازش یکپارچه تصاویر بالا و داده های LIDAR، پردازش تصاویر با وضوح بالا و داده های LIDAR. سنجش از دور و علوم اطلاعات مکانی، 35، 288-292.
[ 14 ]	Saito, S., Yamashita, T. and Aoki, Y. (2016) استخراج چند شیء از تصاویر هوایی با شبکه های عصبی کانولوشنال. مجله فناوری علوم تصویربرداری، 60، 10402-10402. https://doi.org/10.2352/J.ImagingSci.Technol.2016.60.1.010402
[ 15 ]	Liu, J., Qin, Q., Li, J. and Li, YP (2017) استخراج جاده های روستایی از تصاویر سنجش از دور با وضوح بالا بر اساس استنتاج ویژگی های هندسی. ISPRS International Journal of Geo-Information, 6, 314. https://doi.org/10.3390/ijgi6100314
[ 16 ]	Petropoulos، GP، Arvanitis، KG، Sigrimis، NA، Piromalis، DD و Boglou، AK (2012) کارتوگرافی کاربری زمین از تجزیه و تحلیل تصاویر فراطیفی Hyperion: نتایج از یک سایت مدیترانه ای. بیست و چهارمین کنفرانس بین المللی ابزارهای با هوش مصنوعی، آتن، یونان، 7-9 نوامبر 2012، 26-31. https://doi.org/10.1109/ICTAI.2012.184
[ 17 ]	Papa, JP, Falcao, AX and Suzuki, CTN (2009) طبقه بندی الگوی نظارت شده بر اساس جنگل مسیر بهینه. مجله بین المللی سیستم های تصویربرداری و فناوری، 19، 120-131. https://doi.org/10.1002/ima.20188
[ 18 ]	Papa، JP، Nachif Fernandes، SE و Falcao، AX (2017) جنگل مسیر بهینه بر اساس k-Connectivity: نظریه و کاربردها. نامه های تشخیص الگو، 87، 117-126. https://doi.org/10.1016/j.patrec.2016.07.026
[ 19 ]	Amorim، WA، Falcao، AX and Papa، JP (2018) طبقه‌بندی نیمه نظارتی چند برچسبی از طریق جنگل مسیر بهینه. علوم اطلاعات، 465، 86-104. https://doi.org/10.1016/j.ins.2018.06.067
[ 20 ]	Melgani, F. and Bruzzone, L. (2004) طبقه بندی تصاویر سنجش از دور فراطیفی با ماشین بردار پشتیبان. IEEE Transactions on Geoscience & Remote Sensing، 42، 1778-1790. https://doi.org/10.1109/TGRS.2004.831865
[ 21 ]	Kruse, FA, Lefkoff, AB, Boardam, JW, Heidebrecht, KB, Shapiro, AT, Barloon, JP and Goetz, AFH (1993) سیستم پردازش تصویر طیفی (SIPS) – تجسم تعاملی و تجزیه و تحلیل داده های طیف سنج تصویربرداری. سنجش از دور محیط، 44، 145-165. https://doi.org/10.1016/0034-4257(93)90013-N
[ 22 ]	Li, S., Wu, H., Wan, D. and Zhu, J. (2011) یک روش انتخاب ویژگی موثر برای طبقه بندی تصویر ابرطیفی بر اساس الگوریتم ژنتیک و ماشین بردار پشتیبان. سیستم های دانش بنیان، 24، 140-148. https://doi.org/10.1016/j.knosys.2010.07.003
[ 23 ]	طاهرزاده، ای و شفری، HZM (2011) با استفاده از داده های سنجش از دور فراطیفی در نقشه برداری شهری بر روی کوالالامپور. رویداد مشترک سنجش از دور شهری 2011، مونیخ، آلمان، 11-13 آوریل 2011، 405-408. https://doi.org/10.1109/JURSE.2011.5764805
[ 24 ]	Tong, X., Xie, H. and Weng, Q. (2014) طبقه بندی پوشش زمین شهری با داده های ابرطیفی هوابرد: از چه ویژگی هایی استفاده کنیم؟ مجله IEEE از موضوعات منتخب در مشاهدات کاربردی زمین و سنجش از دور، 7، 3998-4009. https://doi.org/10.1109/JSTARS.2013.2272212
[ 25 ]	اسلامی، م. و محمدزاده، ع. (1395) توسعه یک استراتژی مبتنی بر طیف برای تشخیص اشیاء شهری از TIR ابرطیفی هوا و داده‌های مرئی. مجله IEEE از موضوعات منتخب در مشاهدات کاربردی زمین و سنجش از دور، 9، 1808-1816. https://doi.org/10.1109/JSTARS.2015.2489838
[ 26 ]	Weismiller, RA, Van Scoyoc, GE, Pazar, SE, Latz, K. and Baumgardner, MF (1985) استفاده از خواص طیفی خاک برای پایش فرسایش خاک. فرسایش و حفاظت خاک. انجمن حفاظت از خاک و آب آمریکا.
[ 27 ]	Wang, YY and Li, J. (2008) قابلیت انتخاب ویژگی الگوریتم درخت تصمیم و تأثیر انتخاب/استخراج ویژگی بر نتایج درخت تصمیم بر اساس داده های فراطیفی. مجله بین المللی سنجش از دور، 29، 2993-3010. https://doi.org/10.1080/01431160701442070
[ 28 ]	هرولد، ام.، رابرتز، DA، گاردنر، EM و دنیسون، PE (2004) طیف سنجی برای سنجش از دور منطقه شهری – توسعه و تجزیه و تحلیل یک کتابخانه طیفی از 350 تا 2400 نانومتر. سنجش از دور محیط زیست، 91، 304-319. https://doi.org/10.1016/j.rse.2004.02.013
[ 29 ]	Chen, Y., Jiang, H., Li, C., Jia, X. and Ghamisi, P. (2016) استخراج ویژگی عمیق و طبقه بندی تصاویر فراطیفی بر اساس شبکه های عصبی کانولوشن. IEEE Transactions on Geosciences and Remote Sensing, 54, 6232-6251. https://doi.org/10.1109/TGRS.2016.2584107
[ 30 ]	Yuan, Y., Lin, J. and Wang, Q. (2016) طبقه بندی تصویر فراطیفی از طریق نمایش پراکنده مشترک چند وظیفه ای و بهینه سازی گام به گام MRF. IEEE Transactions on Cybernetics, 46, 2966-2977. https://doi.org/10.1109/TCYB.2015.2484324
[ 31 ]	سوزا، آر، لوتوفو، آر و ریتنر. L. (2012) مقایسه ای بین طبقه بندی کننده های جنگل مسیر بهینه و k-نزدیکترین همسایه ها. بیست و پنجمین کنفرانس SIBGRAPI در زمینه گرافیک، الگوها و تصاویر، اورو پرتو، برزیل، 22-25 اوت 2012، 260-267. https://doi.org/10.1109/SIBGRAPI.2012.43
[ 32 ]	Freitas, GM, ávila, AMH, Papa, JP and Falcao, AX (2009) برآورد بارش بر اساس مسیر جنگلی بهینه. شانزدهمین کنفرانس بین المللی سیستم ها، سیگنال ها و پردازش تصویر، کالکیدا، یونان، 18-20 ژوئن 2009، 1-4. https://doi.org/10.1109/IWSSIP.2009.5367753
[ 33 ]	Pisani, R., Riedel, P., Costa, K., Nakamura, R., Pereira, C., Rosa, G. and Papa, JP (2012) شناسایی خودکار زمین لغزش از طریق جنگل مسیر بهینه. 2012 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، مونیخ، آلمان، 22-27 جولای 2012، 6228-6231. https://doi.org/10.1109/IGARSS.2012.6352681
[ 34 ]	Jia, S., Hu, J., Xie, Y., Shen, L., Jia, X. and Li, Q. (2016) انتخاب مکعب گابور مبتنی بر چند کار بازنمایی پراکنده مشترک برای طبقه‌بندی تصویر فراطیفی. IEEE Transactions on Geosciences and Remote Sensing, 54, 3174-3187. https://doi.org/10.1109/TGRS.2015.2513082
[ 35 ]	Benediktsson, J., Palmason, J. and Sveinsson, J. (2005) طبقه بندی داده های فراطیفی از مناطق شهری بر اساس نمایه های مورفولوژیکی توسعه یافته. IEEE Transactions on Geosciences and Remote Sensing, 43, 480-490. https://doi.org/10.1109/TGRS.2004.842478
[ 36 ]	Tarbalka, Y., Fauvel, M., Chanussot, J. and Benediktsson, JA (2010) SVM و روش مبتنی بر MRF برای طبقه بندی دقیق تصاویر فراطیفی. IEEE Geosciences and Remote Sensing Letters، 7، 736-740. https://doi.org/10.1109/LGRS.2010.2047711
[ 37 ]	سانتوس، آ.، آرائوجو، آ و منوتی، دی (2013) ترکیب روش‌های طبقه‌بندی چندگانه برای تفسیر داده‌های فراطیفی. IEEE Journal of Selected Topics in Applied Earth Savations and Remote Sensing، 6، 1450-1459. https://doi.org/10.1109/JSTARS.2013.2251969
[ 38 ]	Qi, C., Zhou, Z., Sun, Y., Song, H., Hu, L. and Wang, Q. (2017) انتخاب ویژگی و چارچوب تقویت چندگانه هسته بر اساس PSO با مکانیسم جهش برای طبقه بندی فراطیفی. محاسبات عصبی، 220، 181-190. https://doi.org/10.1016/j.neucom.2016.05.103
[ 39 ]	Zg, E., Zhang, X., Jiao, L., Li, L. and Hou, B. (2016) طبقه بندی مجموعه تصاویر فراطیفی طیفی-فضایی از طریق نمایش پراکنده مشترک. شناخت الگو، 59، 42-54. https://doi.org/10.1016/j.patcog.2016.01.033
[ 40 ]	Ding, C., Li, Y., Xia, Y., Wei, W., Zhang, L. and Zhang, Y. (2017) روش طبقه‌بندی تصویر فراطیفی مبتنی بر شبکه‌های عصبی کانولوشنال با هسته‌های تطبیقی. سنجش از دور، 9، 618. https://doi.org/10.3390/rs9060618
[ 41 ]	Wu, H. and Prasad, S. (2017) شبکه‌های عصبی تکراری کانولوشن برای طبقه‌بندی داده‌های فراطیفی. سنجش از دور، 9، 298. https://doi.org/10.3390/rs9030298
[ 42 ]	Li, W., Wu, G., Zhang, F. and Du, Q. (2017) طبقه‌بندی تصویر فراطیفی با استفاده از ویژگی‌های Deep Pixel-Pair. IEEE Transactions on Geosciences and Remote Sensing, 55, 844-853. https://doi.org/10.1109/TGRS.2016.2616355
[ 43 ]	Macedo، MROBC، Times، VC، Cavalcanti، GDC و Kohlman Rabbani، ER (2015) معماری برای طبقه‌بندی مناطق بیابان‌زایی با استفاده از تصاویر فراطیفی و الگوریتم جنگل مسیر بهینه. مجله الکترونیکی مهندسی ژئوتکنیک، 20، 1881-1895.
[ 44 ]	Gao, F., Wang, Q., Dong, J. and Xu, Q. (2018) طبقه بندی طیفی و فضایی تصاویر فراطیفی بر اساس نمودارهای چندگانه تصادفی. سنجش از دور، 10، 1271. https://doi.org/10.3390/rs10081271
[ 45 ]	Sujatha, C. and Selvathi, D. (2015) تکنیک مبتنی بر اجزای متصل برای استخراج خودکار خط مرکزی جاده در تصاویر ماهواره‌ای با وضوح بالا. پردازش تصویر و ویدئو، 1394، مقاله شماره 8. https://doi.org/10.1186/s13640-015-0062-9
[ 46 ]	Shi, W., Miao, Z., Wang, Q. and Zhang, H. (2014) طبقه بندی طیفی- فضایی و ویژگی های شکل برای استخراج خط مرکزی جاده شهری. IEEE Geoscience and Remote Sensing Letters، 11، 788-792. https://doi.org/10.1109/LGRS.2013.2279034
[ 47 ]	Li, M., Stein, A., Bijker, W. and Zhan, Q. (2016) استخراج جاده شهری مبتنی بر منطقه از تصاویر ماهواره ای VHR با استفاده از درخت پارتیشن باینری. مجله بین المللی مشاهده کاربردی زمین و اطلاعات جغرافیایی، 44، 217-225. https://doi.org/10.1016/j.jag.2015.09.005
[ 48 ]	کمانگیر، ح.، مومنی، م. و ستاری، م. (1396) استخراج خودکار خط مرکزی جاده های سرپوشیده توسط اجسام اطراف از تصاویر ماهواره ای با وضوح بالا. ISPRS-بایگانی بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، XLII-4/W4، 111-116. https://doi.org/10.5194/isprs-archives-XLII-4-W4-111-2017
[ 49 ]	عبداللهی، ع.، بختیاری، HRR و نژاد، نماینده مجلس (1396) بررسی روش‌های تعاملی SVM و مجموعه سطح برای استخراج جاده از تصاویر Google Earth. مجله انجمن هندی سنجش از دور، 46، 423-430.
[ 50 ]	عبداللهی ع.، بیسواجیت، ص و نقاش، س. (2019) استخراج ویژگی‌های جاده از تصاویر پهپاد با استفاده از یک رویکرد جدید تقسیم‌بندی مجموعه سطح. مجله بین المللی علوم شهری، 23، 391-405. https://doi.org/10.1080/12265934.2019.1596040
[ 51 ]	Alpaydin, E. (2010) مقدمه ای بر ماشین، ماساچوست-ایالات متحده آمریکا. انتشارات موسسه فناوری ماساچوست، کمبریج، MA.
[ 52 ]	فرناندز، SEN و پاپا، JP (2019) بهبود یادگیری جنگل با مسیر بهینه با استفاده از دسته بندی کننده ها و معیارهای اطمینان. تحلیل الگو و کاربردها، 22، 703-716. https://doi.org/10.1007/s10044-017-0677-9
[ 53 ]	Fernandes, SEN, Pereira, CR, Ramos, CCO, Souza, AN, Gastaldello, DS and Papa, JP (2019) یک طبقه‌بندی جنگلی مسیر بهینه احتمالی برای تشخیص تلفات غیر فنی. معاملات IEEE در شبکه هوشمند، 10، 3226-3235. https://doi.org/10.1109/TSG.2018.2821765
[ 54 ]	Papa, JP, Falcao, AX, de Albuquerque, VHC and Tavares, JMR (2012) طبقه‌بندی جنگل مسیر بهینه با نظارت کارآمد برای مجموعه داده‌های بزرگ. تشخیص الگو، 45، 512-520. https://doi.org/10.1016/j.patcog.2011.07.013
[ 55 ]	Barros، WK، Kohlman Rabbani، ER، Santana، CV، Oliveira، DMG and Macedo، MROBC (2015) Seguranca Viária: Estudo Piloto na BR-101 no Estado de Pernambuco. XI CNEG — کنگره ملی اکسلنسیا و گشتا، 1.
[ 56 ]	da Costa، ​​TCC، de Oliveira، MAJ، Accioly، LJ de O. and da Silva، FHBB (2009) تجزیه و تحلیل da degradacao da caatinga no nucleo desertificacao do Seridó (RN/PB). Revista Brasileira de Engenharia Agrícola e Ambiental، 13، 961-974. https://doi.org/10.1590/S1415-43662009000700020
[ 57 ]	Rocha, LM, Cappabianco, FAM and Falcao, AX (2009) خوشه بندی داده به عنوان یک مشکل جنگل مسیر بهینه با کاربردها در تجزیه و تحلیل تصویر. مجله بین المللی سیستم های تصویربرداری و فناوری، 19، 50-68. https://doi.org/10.1002/ima.20191
[ 58 ]	Hudson, WD and Ramm, CW (1987) فرمول بندی صحیح ضریب توافق کاپا. مهندسی فتوگرامتری و سنجش از دور، 53، 421-422.
[ 59 ]	Figueiredo, SM de M., Cavalcante, LM, Valentim, JF and Figueiredo, EO (2009) Avaliacao da acurácia de classificacao digital de imagens no mapeamento de áreas de pastagens degradadas em Rio Branco, Acre. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto، 5789-5796.
[ 60 ]	Thenkabail, P., Gamage, M. and Smakhtin, V. (2004) استفاده از داده های سنجش از دور برای ارزیابی و پایش خشکسالی در آسیای جنوب غربی. گزارش تحقیق.