تحقیق حاضر به شناسایی و بازسازی سه بعدی ساختمان ها به عنوان یکی از مهم ترین عوارض شهری با استفاده از تصاویر هوایی رقومی و داده های لیدار پرداخته است. در این راستا به طراحی، پیاده سازی و ارزیابی روش هایی به منظور شناسایی ساختمان ها از میان عوارض مختلف شهری و بازسازی سه بعدی آن ها اقدام گردیده است. در این تحقیق به منظور شناسایی ساختمان ها از سیستم استنتاج نوروفازی انطباق پذیر استفاده گردید. به گونه ای که، ابتدا تعدادی توصیفگر اولیه بالقوه ای که انتظار می رفت در شناسایی ساختمان ها موثر باشند، انتخاب گشته و به تبع آن تعدادی داده آموزشی از این لایه ها اخذ گردید. با وارد نمودن داده های آموزشی به الگوریتم خوشه بندی فازی پارامترهای توابع عضویت مقدم تعیین گشت و طی فرآیند آموزش، مقادیر نهایی این پارامترها بدست آمده و کلاس ساختمان ها شناسایی شد. سپس با پیشنهاد یک روش فازی- مبنا و استفاده از توابع عضویت آموزش دیده بدست آمده از سیستم استنتاج نوروفازی انطباق پذیر و داده های آموزشی اخذشده از لایه های توصیفگر، قانون فازی آتش شده برای هر داده آموزشی استخراج گشت. قوانین فازی بدست آمده به صورت ماتریسی که تنها دارای مقادیر صفر و یک است به عنوان ورودی الگوریتم مجموعه های زبر استفاده شدند. درنهایت با کاهش ابعاد اطلاعات، قوانین مهم و موثر شناسایی، استخراج گشتند و توصیفگرهایی که در قوانین با میزان اهمیت بالا حضور داشتند به عنوان توصیفگرهای بهینه انتخاب شدند. جهت ارزیابی روند پیشنهادی، شناسایی ساختمان ها بار دیگر با استفاده از مقادیر آموزشی لایه های توصیفگر بهینه انجام گردید و مورد ارزیابی قرار گرفت که نشان از بهبود 10% دقت کلی شناسایی داشت. در این تحقیق برای بازسازی مدل سه بعدی ساختمان ها ابتدا با طراحی فرآیندی، نتایج شناسایی بهبود یافت. سپس با توجه به نوع سقف ساختمان که می تواند مسطح یا شیب دار باشد، استراتژی متفاوتی طراحی، پیاده سازی و ارزیابی بیان گشت. سقف های شیب دار با شناسایی لبه های صفحات از طریق علامت گذاری مناطق تغییر جهت شیب در روی سقف از یکدیگر تفکیک شدند. صفحات مجاور با برچسب گذاری صفحات تفکیک شده و اسکن سطر به سطر و ستون به ستون قطعات برچسب خورده شناسایی شدند. مدل سازی صفحات سقف نیازمند استخراج نقاط گوشه ای آن ها بود که در صورت داشتن ساختار hip از محاسبه تقاطع سه صفحه مجاور و در صورت داشتن ساختار gable از محاسبه مختصات محل تقاطع خطوط فصل مشترک صفحات مجاور با مرز صفحات مذکور، بدست آمدند. درحالی که در سقف های مسطح، صفحات با بررسی میزان تغییر شیب از یکدیگر جدا شدند و برای بدست آوردن دقیق تر صفحات از اعمال شرط محدوده موردقبول بر روی داده های فاصله سنجی لیدار و یا تصویر درجه خاکستری هوایی -که تصحیحات قائم روی آن صورت گرفته است- بهره گرفته شد. نقاط گوشه ای ابتدا با استفاده از الگوریتم ردیابی مرز با رمزهای زنجیره ای استخراج گردید و سپس طی چند مرحله پردازش نقاط اضافی که در شکل صفحات بی تأثیر بودند، حذف گشتند. با شناسایی صفحات مجاور و قرار دادن صحیح آن ها در کنار یکدیگر با حذف گپ و تقاطع میان آن ها، نقاط گوشه ای نهایی صفحات بدست آمد و صفحات سقفی مدل سازی گشتند. پس از مدل سازی سقف ساختمان با شناسایی نقاطی در کف ساختمان، دیوارها مدل سازی شده و با اتصال آن ها به مدل ایجادشده برای سقف، مدل نهایی ساختمان ایجاد گردید. نتایج روند پیشنهادی توسط isprs به صورت مسطحاتی و ارتفاعی مورد ارزیابی قرار گرفت که بررسی ها نشان از 3/0 متر دقت ارتفاعی، 6/0 متر دقت مسحطاتی، 73.5% تمامیت و 100% صحت در شناسایی و بازسازی صفحات داشت. مقایسه نتایج روند پیشنهادی با دیگر روش های موجود در سایت isprs نشان از عملکرد بسیار خوب و توانایی بالای این روند در بازسازی سه بعدی ساختمان ها داشت. زیرا باوجود آن که در بسیاری از روش های ارائه شده فرض گشته که مرز صفحات به صورت دستی از تصاویر هوایی و یا داده های لیدار استخراج گشته اند، بازهم دقت روند پیشنهادی جز چند روش برتر بوده و به بهترین نتایج، بسیار نزدیک می باشد.

شناسایی و استخراج عوارض از تصاویر هوایی از دیرباز موردتوجه 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 در حل مسائل پیچیده، استفاده از این مدل¬ها به صورت روزافزون در حال افزایش می باشد. مدل های نروفازی توانایی کار با مقدار زیاد داده¬ها و روابط خطی و غیرخطی بین آن ها را دارا می¬باشند. در این تحقیق، روشی بر مبنای مدل های نروفازی برای طبقه¬بندی عوارض شهری با استفاده از داده¬های لیدار و تصاویر رقومی هوایی ارائه می¬گردد. ابتدا به تولید انواع توصیفگرهای مختلف از داده-های لیدار و تصاویر رقومی هوایی می¬پردازیم. سپس با استفاده از الگوریتم ژنتیک پیوسته توصیفگرهای بهینه را از بین توصیفگرهای تولیدشده انتخاب می¬نماییم. این توصیفگرهای بهینه 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 ، 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 قرارگرفته و از آن ها خواسته شده تا نتایج حاصل از روش های خود برای شناسایی و بازسازی عوارض شهری را برای مقایسه به این کارگروه بفرستند. حال در این پژوهش نتایج به دست آمده از سه الگوریتم نروفازی و نتایج مشارکت کننده های کارگروه iii/4 مقایسه و موردبحث 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 عوارض شهری 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. در بخش نهایی این پایان¬نامه به مقایسه الگوریتم¬های طبقه¬بندی نظارت شده شناخته شده بر روی ناحیه 1 اقدام می¬کنیم.