بررسی روش جنگل تصادفی جهت بهبود طبقه بندی پوشش اراضی شهری با استفاده از تصاویر ماهواره ای

طبقه بندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیط های فیزیکی و استفاده در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش به روز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از داده های سنجش از دور به طور فزاینده ای در میان بسیاری از جوامع احساس می شود. با پیشرفت های اخیر در داده، فن آوری، و نظریه های سنجش از دور، ضرورت این امر بیشتر نیز می شود. پیشرفت سنجنده های جدید، پتانسیل بالایی برای طبقه بندی شهری را نشان می دهد. با این وجود، عملکرد روش های طبقه بندی مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روش های جدیدتر برای رفع این محدودیت ها بیشتر احساس می شود. از طرف دیگر، روش های جدید در بازشناسی الگو همانند جنگل تصادفی (rf )، به عنوان یک الگوریتم یادگیری ماشینی جدید، توجه بسیاری را در زمینه طبقه بندی تصویر و بازشناسی الگو به خود جلب کرده است. چندین تحقیق نیز مزایای rf در طبقه بندی کاربری اراضی را نشان داده است. با این حال، تعداد کمی از این تحقیقات در زمینه شهری و استفاده از تصاویر ماهواره ای جدید و لیدار تمرکز داشته است. در این تحقیق یک صحنه شهری با روشی جدید مبتنی بر تلفیق روش شی گرا و طبقه بندی rf برای بهبود طبقه بندی پیشنهاد شده و مورد بررسی قرار گرفته است. برای مقایسه، روش های طبقه بندی مرسوم نیز انجام شده است. در طبقه بندی پیکسل-مبنا با الگوریتم های مختلف طبقه بندی، rf بالاترین دقت کلی را در حدود 82%، و در طبقه بندی شی-مبنا svm بالاترین دقت کلی را در حدود 79% و rf دقت 77% را تولید کرد. در طبقه بندی ویژگی های شی-مبنا برای اشیا حاصل از قطعه بندی یک سطح با روش پیشنهادی دقت کلی الگوریتم rf از 75% به 76%، دقت کلی الگوریتم svm از 75% به 78%، دقت کلی شبکه عصبی از 70% به 75% و دقت کلی الگوریتم بیشینه شباهت از 44% به 77% ارتقا داده شد. بنابراین نتایج این تحقیق نشان می دهد که روش پیشنهادی می تواند عملکرد طبقه بندی را از نظر دقت و سرعت بهبود بخشد.