سنجش از دور
مهدی حسنلو؛ علیرضا ابراهیمی
چکیده
پیشینه و اهداف: امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشههای تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشههای مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشههای جدید تغییرات میباشد. از آنجا که روشهای سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت ...
بیشتر
پیشینه و اهداف: امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشههای تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشههای مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشههای جدید تغییرات میباشد. از آنجا که روشهای سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت کافی در ثبت تغییرات بعد سوم یا ارتفاع را ندارند، لذا این محدودیت موجب عدم تشخیص ساخت و سازهای طبقهای شده که در نتیجه آن، نقص اطلاعات در پایش را به همراه خواهد داشت. با پیشرفت در سنجش ازدور و روشهای نوین یادگیری عمیق، آشکارسازی تغییرات سه بعدی شهری امکان پذیر شده است که تاکنون نتایج برتری را نسبت به روشهای کلاسیک ارائه دادهاند. این پژوهش با هدف بهبود عملکرد در آشکارسازی تغییرات سه بعدی شهری، رویکردی بر مبنای یادگیری عمیق با استفاده از دادههایی با منابع مختلف ارائه میدهد تا انواع تغییرات ساختمانی به طور خودکار شناسایی و تفکیک نماید. هدف اصلی تفکیک چهار نوع تغییر ساختمانی از جمله ساخت جدید، تخریب کامل، افزایش ارتفاع و کاهش ارتفاع در کنار نواحی بدون تغییر میباشد تا نقشه جامعی از تغییرات سه بعدی شهری ارائه گردد.روشها: مجموعه داده مورد استفاده در این پژوهش شامل تصاویر هوایی رنگی (RGB) با وضوح مکانی بالا به همراه دادههای مدل رقومی سطح (DSM) مربوط به دو بازهی زمانی مختلف از محدوده شهری والادولید اسپانیا میباشد. داده ورودی شامل تصاویر رنگی قبل و بعد از تغییر به همراه مدل ارتفاعی متناظر آن به صورت یک ورودی هشت بانده با یکدیگر ترکیب شده تا شبکه به طور همزمان اطلاعات طیفی و ارتفاعی را مشاهده کند و جهت ورود به فرآیند آموزش مدل، دادهها به نسبت 90 به 10درصد به دو دسته آموزش و آزمایش تقسیمبندی میشوند. جهت افزایش تنوع دادههای آموزش و جلوگیری از برازش بیش از حد از روشهایی چون وارونسازی افقی و عمودی، چرخش تصادفی و تاری گاوسی بهره گرفته شده است. معماری مدل متشکل از یک شبکهی عمیق ResNet-34به عنوان بخش ویژگی یاب و از شبکه UNet++ جهت بازسازی پیکسل به پیکسل تغییرات میباشد. همچنین برای به روزرسانی پارامترهای مدل از الگوریتم Adam بهره گرفته شده است. در مرحله نخست مدل شبکه عمیق به صورت دودویی (تغییر/عدم تغییر) آموزش داده شده و عملکرد آن در مقایسه با روش کلاسیک جنگل تصادفی، تفاضل یا نسبت گیری و روش ترکیبی تحلیل مولفههای اصلی (PCA) و خوشه بندی K-Means مقایسه میشود. پس از آن شبکه با برچسبهای پنج کلاسه شامل چهار نوع تغییر گفته شده و برچسب عدم تغییر مجددا آموزش داده و جهت بهبود فرآیند یادگیری از یک تابع هزینه ساز بر مبنای بهینه سازی مستقیم معیار (IoU) استفاده شده است. جهت مقایسه عملکرد مدلها از معیارهایی نظیر Accuracy، Recall، F1-score و Precision استفاده شده است.یافتهها: در مرحله نخست این شبکه پس از 50 اپک آموزش اغلب تغییرات واقعی را شناسایی کرده و در عین حال نرخ هشدار غلط را پایین نگه داشته است که معیارهای ارزیابی Recall، Accuracy و F1-score با مقادیر 98.5% و 98.5% و 0.92 این نتایج را تأکید میکنند و این ارقام به طور محسوسی بهتر از روشهای کلاسیک بوده. همچنین در مدل یادگیری عمیق بر خلاف دیگر روشها تقریبا تمامی موارد ساخت و ساز یا تخریب در مقیاسهای کوچک تشخیص داده شده است. در مرحله پنج کلاسه، تغییرات به خوبی توسط مدل شناسایی و طبقه بندی شدهاند و معیارهای Recall، Accuracy و F1-score به ترتیب برابر با 96.32% و 96% و 0.95 میباشد. تمامی سازههای جدید احداث شده و ساختمانهای کاملا تخریب شده در نقشه خروجی مدل با برچسب درست تشخیص داده شده اند و بخش وسیعی از مناطق بدون تغییر هیچ برچسب اشتباهی دریافت نکردهاند.نتیجهگیری: نتایج نشاندهنده آن است که ترکیب دادههای ارتفاعی با تصاویر دو بعدی و به کارگیری مدلهای یادگیری عمیق به طرز چشمگیری کاستیهای روش سنتی تشخیص تغییرات را برطرف کرده و افزایش دقت را به همراه خواهد داشت. این مدل توسعه یافته قادر است که نه تنها مکان تغییر بلکه نوع تغییر را شناسایی کند. لازم به ذکر است که از این شیوه نوین میتوان جهت پایش ساخت و سازهای غیر مجاز، به روز رسانی پایگاههای داده مکانی و ارزیابی تغییرات شهری استفاده شود. مهمترین محدودیت این پژوهش وابستگی به دادههای ارتفاعی دقیق میباشد که تهیه منظم آن در تمامی شهرها امکان پذیر نمیباشد. به علاوه آموزش مدلهای عمیق نیازمند دادههای برچسب دار گسترده و توان پردازشی بالا میباشد که ممکن است در کاربردهای عملی محدودیت ایجاد کند.
