بررسی سیستم های نوروفازی انطباق پذیر در شناسایی ساختمان های شهری از تصاویر هوایی دیجیتال و داده های لیدار

شناسایی و استخراج عوارض از تصاویر هوایی از دیرباز مورد توجه بسیاری از محققین فعال در فتوگرامتری و سنجش ازدور بوده است. با ظهور سنجنده های جدید مانند لیدار و ترکیب داده های این سنجنده ها و تصاویر هوایی بحث شناسایی و استخراج وارد دوره جدیدی شده است. به دلیل توانایی زیاد مدل های نروفازی انطباق پذیر (انفیس) در حل مسائل پیچیده، استفاده از این مدل ها به صورت روز افزون در حال افزایش می باشد. مدل های نروفازی توانایی کار با مقدار زیاد داده ها و روابط خطی و غیر خطی بین آنها را دارا می باشند. در این تحقیق، روشی بر مبنای مدل های نروفازی برای شناسایی ساختمان ها با استفاده از داده های لیدار و تصاویر دیجیتال هوایی ارائه می گردد. بر این اساس، چهار توصیفگر باند سبز، شاخص گیاهی نرمال شده و دو مدل رقومی سطح نرمال شده (که توسط دو الگوریتم متفاوت تولید می شوند) به عنوان ورودی های مدل نروفازی استفاده می شوند. مدل نروفازی ارائه شده از سه الگوریتم مختلف برای تولید ساختار سیستم استنتاج فازی استفاده می کند. این الگوریتم ها شامل قسمت بندی شبکه ای (grid partitioning)، خوشه بندی کاهشی و خوشه بندی فازی می شوند. روش ارائه شده در این تحقیق بر روی سه ناحیه مختلف از شهر وایهینگن آلمان مورد آزمایش قرار می گیرد. این نواحی توسط کارگروه iii/4 جامعه بین المللی فتوگرامتری و سنجش ازدور در اختیار محققین قرار گرفته و از آنها خواسته شده تا نتایج حاصل از روش های خود برای شناسایی و بازسازی عوارض شهری را برای مقایسه به این کار گروه بفرستند. حال در این پژوهش نتایج بدست آمده از سه الگوریتم نروفازی و نتایج مشارکت کننده های کارگروه iii/4 مقایسه و مورد بحث قرار خواهند گرفت. این مقایسه بر اساس معیارهای کمال، صحت، کیفیت و خطای مجذور میانگین در دو مبنای پیکسلی و عارضه ای انجام خواهد گرفت. نتایج حاصل از این مقایسه ها حاکی از توانایی بالای مدل های نروفازی انطباق پذیر در شناسایی ساختمان در مقایسه با بقیه روش ها دارد. این روش ها در شناسایی ساختمان هایی با مساحت بزرگ تر از 50 مترمربع با در نظر گرفتن معیار کمال، 100 % موفق بوده اند. همچنین با در نظر گرفتن معیار کمال و صحت در شناسایی عوارض بزرگ تر از 50 مترمربعی، همواره به درصدهای بالای 90 رسیده اند.