سنجش از دور
پویا حیدری؛ اصغر میلان؛ علیرضا قراگوزلو
چکیده
پیشینه و اهداف: امروزه با توجه به استفاده روز افزون از اطلاعات پوشش و کاربری اراضی در کاربردهای مختلف، کسب این اطلاعات امری ضروری می‌باشد. استفاده از تصاویر سنجش از دوری به عنوان راهکار اصلی کسب این اطلاعات محسوب می‌شود. برای استخراج پوشش و کاربری اراضی از این تصاویر، می‌توان از تکنیک‌های طبقه‌بندی تصاویر بهره برد. با توجه به پتانسیل ...
بیشتر
پیشینه و اهداف: امروزه با توجه به استفاده روز افزون از اطلاعات پوشش و کاربری اراضی در کاربردهای مختلف، کسب این اطلاعات امری ضروری می‌باشد. استفاده از تصاویر سنجش از دوری به عنوان راهکار اصلی کسب این اطلاعات محسوب می‌شود. برای استخراج پوشش و کاربری اراضی از این تصاویر، می‌توان از تکنیک‌های طبقه‌بندی تصاویر بهره برد. با توجه به پتانسیل بالای روش‌های یادگیری عمیق در طبقه بندی تصاویر، این روش‌ها می‌توانند به طور موثری در طبقه‌بندی پوشش و کاربری اراضی استفاده شوند. با این حال، استفاده از این روش‌ها همراه با چالش‌هایی نیز می‌باشد. یکی از مشکلات اصلی استفاده از روش‌های یادگیری عمیق، بیش برازش مدل می‌باشد. از دیگر معضلات اصلی این روش‌ها می‌توان به نیازمند بودن این روش‌ها به تعداد بسیار زیاد داده در مرحله آموزش اشاره نمود. همچنین ناپدید شدن و انفجار گرادیان و انتخاب معماری مناسب از دیگر مشکلات و چالش‌های این روش‌ها برای استخراج پوشش و کاربری اراضی از تصاویر سنجش از دور می‌باشند .روش‌ها: هدف اصلی این پژوهش استفاده از تکنیک‌های مختلف برای رفع این چالش‌ها و رسیدن به دقت‌های بالا در انجام طبقه‌بندی پوشش و کاربری اراضی می‌باشد. برای مرتفع نمودن چالش بیش برازش مدل، از تکنیک‌های حذف تصادفی و توقف زودهنگام استفاده شد تا دقت در داده‌های آموزشی و تست نزدیک به یکدیگر باشند. استفاده از روش داده افزایی می‌تواند کمبود داده‌های آموزشی را برطرف نماید و از بیش برازش مدل نیز جلوگیری کند. به همین علت از این روش برای افزایش داده های آموزشی مدل استفاده شد. تکنیک برش گرادیان نیز در این پژوهش استفاده شد تا از انفجار و ناپدید شدن گرادیان در مدل‌های یادگیری عمیق جلوگیری کند. معماری استفاده شده در این پژوهش برای طبقه بندی مجموعه داده EuroSat، مدل ResNet18 بوده است.یافته‌ها: در ابتدا از این معماری به همراه تکنیک توقف زودهنگام برای انجام طبقه بندی استفاده شد و مدل به دقت کلی 19/91 درصد و ضریب کاپای 9018/0 رسید. سپس به همین مدل تکنیک داده افزایی اضافه شد و مدل به دقت کلی 78/91 درصد و ضریب کاپای 9085/0 دست یافت که نشان می‌دهد نسبت به مرحله قبلی دقت‌های بهتری حاصل شده است. در مرحله آخر تکنیک حذف تصادفی با نرخ 5/0، برش گرادیان با حدآستانه 1/0 نیز به مدل قبلی اضافه شد و مدل به دقت کلی 11/93 درصد و ضریب کاپای 9233/0 رسید که نسبت به دو مرحله قبلی به دقت های بهتری رسیده است.نتیجه‌گیری: این نتایج نشان می‌دهد که دقت طبقه‌بندی پوشش و کاربری اراضی مجموعه داده EuroSat در مرحله آخر نسبت به مراحل قبلی به دقت بهتری دست یافته است.
سامانه اطلاعات مکانی
نیلوفر اخلاقی؛ اصغر میلان؛ علیرضا وفائی‌نژاد
چکیده
پیشینه و اهداف: در سال‌های اخیر، باتوجه‌به توسعه شهرنشینی و ساخت آپارتمان و ساختمان‌های پیچیده، اهمیت و ضرورت وجود داده‌های سه‌بعدی به‌خصوص در بخش اطلاعات املاک بیشتر موردتوجه قرار گرفته است. مدل اطلاعات ساختمان (Building Information Modeling) فناوری جدیدی در صنعت ساخت‌وساز است که برای ایجاد، مدیریت و به‌اشتراک‌گذاری مدل رقومی ساختمان، ...
بیشتر
پیشینه و اهداف: در سال‌های اخیر، باتوجه‌به توسعه شهرنشینی و ساخت آپارتمان و ساختمان‌های پیچیده، اهمیت و ضرورت وجود داده‌های سه‌بعدی به‌خصوص در بخش اطلاعات املاک بیشتر موردتوجه قرار گرفته است. مدل اطلاعات ساختمان (Building Information Modeling) فناوری جدیدی در صنعت ساخت‌وساز است که برای ایجاد، مدیریت و به‌اشتراک‌گذاری مدل رقومی ساختمان، اجزا و اطلاعات مربوط به آن استفاده می‌شود. می‌توان با استفاده از مدل اطلاعات ساختمان، علاوه‌بر بالابردن قابلیت همکاری و جمع‌آوری تمام اطلاعات و اسناد ساختمان در‌یک مدل واحد و تطبیق مدل اطلاعات ساختمان و سازه‌ای (که ساخت آن به اتمام رسیده است)، از آن به‌منظور اهداف حدنگاری جهت مشخص کردن قسمت‌های مشاعی، مفروز و میزان مالکیت هر فرد از اجزای مختلف سازنده ساختمان و مستندسازی املاک، جهت قیمت‌گذاری دقیق ملک استفاده کرد.روش‌ها: در این تحقیق ابتدا به شناسایی پارامترهای مؤثر بر ارزش‌گذاری ملک پرداخته و باتوجه به پارامترها، داده‌های مورد نیاز جمع‌آوری خواهدشد. سپس با استفاده از نقشه‌های معماری و سازه‌ای دوبعدی ترسیم شده در CAD (که از دفاتر فنی مهندسی یا نظام‌مهندسی می‌توان تهیه کرد) به بازسازی مدل اطلاعات ساختمان پرداخته شده‌است. پس‌از آن برای هر کدام از اجزای ساختمانی، غنی‌سازی حقوقی (مشخص‌کردن مشاعات و مفروزات ساختمان) انجام و ارزش مصالح استفاده‌شده در ساختمان بر اساس فهرست‌بها برای اجزای ساختمانی تعریف شده‌است. فرایند پیشنهادی در این تحقیق در نرم‌افزار Revit به صورت سه‌بعدی مدل‌سازی شده‌است.یافته‌ها: مدل اطلاعات ساختمان در کل چرخه حیات ساختمان یعنی از مرحله طراحی تا ساخت و بهره‌برداری و حتی نگهداری استفاده می‌شود اما به طور بالفعل قابلیت مدل‌سازی روابط مالکیتی و اطلاعات حقوقی را دارا نمی‌باشد؛ اما با روش اجرا شده در این تحقیق به دلیل اهمیت روشن‌سازی روابط مالکیتی در زمین یا ساختمان بخصوص در دعاوی دادگاهی، می‌توان روابط مالکیتی و حقوقی را تعریف کرد؛ علاوه‌بر تعریف روابط حقوقی، مدل‌سازی انجام شده برای یک نمونه ساختمان احداث شده جهت ارزش‌گذاری دقیق مطابق موقعیت و پارامترهای مؤثر انجام گرفته است.نتیجه‌گیری: در نهایت میزان سهم هر یک از مالکین از اجزای ساختمانی با تعریف روابط مفروز و مشاع تعیین می‌شود. از این روش علاوه بر ثبت دقیق و بدون ابهام میزان مالکیت افراد از ساختمان، می‌توان جهت قیمت‌گذاری دقیق املاک باتوجه‌به عوامل خارجی و داخلی مؤثر و کاهش دعاوی حقوقی نیز استفاده‌کرد. قیمت گذاری با استفاده از فهرست بها برای تمام اجزا و مصالح ساختمان صورت گرفته است که قیمت کل را می‌توان به دستآورد.
فتوگرامتری
مهدی فرهنگی؛ اصغر میلان؛ سعید صادقیان
چکیده
پیشینه و اهداف: طبقه‌بندی دقیق کاربری اراضی برای مدیریت مؤثر منابع طبیعی، برنامه‌ریزی شهری، کشاورزی دقیق و پایش محیط زیست ضروری است. طبقه‌بندی به پیش‌بینی و پیشگیری از مشکلات زیست‌محیطی کمک می‌کند. روش‌هایی مانند تصاویر ماهواره‌ای و هوایی با وضوح بالا، GIS و تکنیک‌های یادگیری عمیق از جمله شبکه‌های عصبی کانولوشنال (CNN) و معماری ...
بیشتر
پیشینه و اهداف: طبقه‌بندی دقیق کاربری اراضی برای مدیریت مؤثر منابع طبیعی، برنامه‌ریزی شهری، کشاورزی دقیق و پایش محیط زیست ضروری است. طبقه‌بندی به پیش‌بینی و پیشگیری از مشکلات زیست‌محیطی کمک می‌کند. روش‌هایی مانند تصاویر ماهواره‌ای و هوایی با وضوح بالا، GIS و تکنیک‌های یادگیری عمیق از جمله شبکه‌های عصبی کانولوشنال (CNN) و معماری U-Net دقت بالایی در تحلیل و طبقه‌بندی تصاویر هوایی ارائه می‌دهند. شبکه U-Net با ساختار منحصر به فرد خود در تعریف مرزهای کاربری اراضی برتری دارد. این مطالعه بر روی منطقه‌ای در لهستان تمرکز دارد و از مدل U-Net برای افزایش دقت و کارایی طبقه‌بندی از طریق تکنیک‌های منظم‌سازی و بهینه‌ساز Adam استفاده می‌کند.روش‌ها: در این تحقیق از تصاویر هوایی با قدرت تفکیک ۲۵ سانتی‌متر و در باند مرئی برای تحلیل و طبقه‌بندی کاربری اراضی استفاده شده است. مدل U-Net به دلیل معماری خاص خود، شامل بلوک‌های کانولوشن و فعال‌سازی ReLU، برای استخراج ویژگی‌های مکانی دقیق و حفظ جزئیات تصویر انتخاب شد. به منظور افزایش دقت و جلوگیری از بیش برازش، از تکنیک‌های منظم‌سازی مانند حذف تصادفی (Dropout) و Regularization L2 بهره گرفته شد. همچنین، برای بهبود همگرایی مدل، روش‌های افزون‌سازی داده و تکنیک توقف زودهنگام (Early Stopping) به کار رفته است. تصاویر هوایی به قطعات کوچک‌تر با ابعاد ۲۵۶×۲۵۶ پیکسل تقسیم و به سه مجموعه آموزشی، اعتبارسنجی و آزمون تقسیم شدند.یافته‌ها: الگوریتم U-Net بر روی داده‌های شهر پوزنان در کشور لهستان اعمال شد. این داده‌ها توسط کارشناسان برچسب‌گذاری شدند و شامل چهار نوع کاربری اراضی: ساختمان‌ها، جنگل‌ها، جاده‌ها و آب هستند. از 769 تصویر برچسب‌گذاری شده، 576 تصویر برای آموزش مدل (که پس از تکنیک افزون‌سازی داده به 2304 تصویر گسترش یافت)، 183 تصویر برای اعتبارسنجی و 10 تصویر نیز برای آزمایش استفاده شد. این مدل، با استفاده از زبان برنامه‌نویسی Python و کتابخانه Keras بر بستر TensorFlow توسعه یافته و در Google Colab آموزش داده شد و پس از 96 تکرار به دقت بالایی رسید و با نقشه‌های برچسب‌گذاری شده توسط کارشناسان اعتبارسنجی شد. در حالی که مدل U-Net در دسته‌بندی کلی عملکرد خوبی داشت، با چالش‌هایی در کلاس‌های نادر مانند آب مواجه شد. افزایش داده‌ها و نمونه‌های بیشتر برای این کلاس‌ها می‌تواند دقت را بهبود بخشد. دقت‌های آموزش و اعتبارسنجی به ترتیب به 0.95 و 0.85 رسید و خطای اعتبارسنجی در حدود 0.5 تثبیت شد. مدل U-Net بهبودهای قابل توجهی در دقت کلی، ضریب کاپا و امتیاز ژاکارد نسبت به مطالعات قبلی نشان داد که حاکی از اهمیت داده‌های با کیفیت و تنظیم دقیق پارامترها است.نتیجه‌گیری: در این مطالعه، مدل یادگیری عمیق U-Net، برای دسته‌بندی دقیق کاربری اراضی با استفاده از تصاویر هوایی مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که این مدل به طور مؤثر انواع کاربری اراضی را با دقت بالا شناسایی و تفکیک کرده است. ساختار U-Net دقت کلی 92.47%، امتیاز ژاکارد 54.45% و ضریب کاپا 79.59% را به دست آورد. این نتایج توانایی قوی مدل را در تعریف مرزهای کلاس‌ها نشان می‌دهد. بهبودهای آینده می‌تواند شامل استفاده از تصاویر چند طیفی و فراطیفی برای اطلاعات دقیق‌تر، ترکیب U-Net با سایر شبکه‌ها مانند ANN، بهینه‌سازی فراپارامترها با استفاده از روش‌های جستجوی پیشرفته و به‌کارگیری یادگیری انتقالی، به ویژه در شرایط با داده‌های محدود باشد. اجرای این استراتژی‌ها می‌تواند دقت و کارایی در دسته‌بندی کاربری اراضی را افزایش دهد و کاربردهای وسیع‌تری در زمینه‌های علمی و عملی ارائه دهد.
