Urban Tree Canopy Mapping Using Object Oriented Classification and Machine Learning Algorithms

نویسندگان

چکیده

آگاهی از میزان تاج‌پوشش درختان در مناطق شهری به‌علت تأثیرات آن کاهش آلودگی‌‌های هوا، آلودگی صوتی، جلوگیری باد، ذخیرة نزولات آسمانی، و کنترل رواناب‌های بسیار ضروری است. ازآن‌جا‌که استخراج با روش‌های دستی وقت‌گیر پرهزینه است، تکنیک‌های سنجش دور می‌توانند ابزار مناسبی برای تأمین این داده‌ها باشند. طبقه‌بندی شیء‌پایه، انتخاب پارامترهای بهینة قطعه‌بندی، به‌ویژه پارامتر مقیاس، اهمیت بسیاری دارد معمولاً شیوة آزمایش خطا تعیین می‌شود که کاملاً تجربی بنابراین، یکی اهداف پژوهش مقیاس قطعه‌بندی به‌صورت خودکار همچنین، پس قطعات، لازم است یک روش طبقه‌بندی، قطعات استخراج‌شده کاربری/ پوشش زمین شوند زمینه، نوع نتیجة نهایی شیء‌پایه دارد. ازاین‌رو، استفاده داده‌های لیدار تصاویر هوایی شهر واهینگن آلمان ویژگی‌های مهم مستخرج ویژگی برمبنای جنگل تصادفی، مربوط به سایر تفکیک شد. کار بهره‌گرفتن شیوه‌های یادگیری ماشین شامل بردار پشتیبان، تصادفی درخت تصمیم‌گیری صورت گرفت. نتایج نشان‌دهندة برتری الگوریتم به‌منزلة برترین طبقه‌بندی‌کننده، 25، بهترین انتخابی، بود نهایت، الگوریتم‌های به‌ترتیب، شاخص‌های کیفیت 79.90 79.16 76.90 توانستند را کنند.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

Accuracy Comparison of Land Cover Mapping Using the Object- Oriented Image Classification with Machine Learning Algorithms

Land cover mapping provides basic information for advanced science such as ecological management, biodiversity conservation, forest planning and so on. In remote sensing research, the process of creating an accurate land cover map is an important subject. Recently, there has been growing research interest in the object-oriented image classification techniques. The object-oriented image classifi...

متن کامل

Trust Classification in Social Networks Using Combined Machine Learning Algorithms and Fuzzy Logic

Social networks have become the main infrastructure of today’s daily activities of people during the last decade. In these networks, users interact with each other, share their interests on resources and present their opinions about these resources or spread their information. Since each user has a limited knowledge of other users and most of them are anonymous, the trust factor plays an import...

متن کامل

Comparison of Machine Learning Algorithms for Broad Leaf Species Classification Using UAV-RGB Images

Abstract: Knowing the tree species combination of forests provides valuable information for studying the forest’s economic value, fire risk assessment, biodiversity monitoring, and wildlife habitat improvement. Fieldwork is often time-consuming and labor-required, free satellite data are available in coarse resolution and the use of manned aircraft is relatively costly. Recently, unmanned aeria...

متن کامل

Dust source mapping using satellite imagery and machine learning models

Predicting dust sources area and determining the affecting factors is necessary in order to prioritize management and practice deal with desertification due to wind erosion in arid areas. Therefore, this study aimed to evaluate the application of three machine learning models (including generalized linear model, artificial neural network, random forest) to predict the vulnerability of dust cent...

متن کامل

Body Mass Index Classification based on Facial Features using Machine Learning Algorithms for utilizing in Telemedicine

Background and Objectives: Due to the impact of controlling BMI on life, BMI classification based on facial features can be used for developing Telemedicine systems and eliminating the limitations of measuring tools, especially for paralyzed people. So that physicians can help people online during the Covid-19 pandemic. Method: In this study, new features and some previous work features were e...

متن کامل

ذخیره در منابع من


  با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ژورنال

عنوان ژورنال: ???? ?? ??? ? GIS ?????

سال: 2021

ISSN: ['2008-5966', '2588-6185']

DOI: https://doi.org/10.52547/gisj.13.1.17