ولی شاه قلی ۱، علی شمس­الدینی۲*، علی موسیوند۳

۱دانشجوی کارشناسی ارشد رشته سنجش از دور و GIS، دانشگاه تربیت مدرس تهران

۲استادیار گروه سنجش از دور و GIS، دانشگاه تربیت مدرس تهران

۳ استادیار گروه سنجش از دور و GIS، دانشگاه تربیت مدرس تهران

چكيده

 آگاهی از اطلاعات پوشش زمین و توزیع آن در سطح شهر اساس کار مدیران و برنامه‌ریزان شهری است. تصاویر و داده‌های سنجش‌ازدور، اطلاعاتی از پوشش یک منطقه جغرافیایی را ارائه می‌دهند. بنابراین استفاده از این داده‌ها فرصتی منحصربه‌فرد را برای استخراج پوشش زمین از طریق فرایند تفسیر و طبقه‌بندی در محیط‌های شهری فراهم می‌آورد. هدف از انجام پژوهش حاضر ترکیب داده­های لیدار هوایی با تصویر هوایی جهت طبقه­ بندی پوشش اراضی به روش­ پیکسل پایه است. ابتدا تصویر هوایی با روش­ پیکسل پایه با الگوریتم ماشین­های بردار پشتیبان طبقه­بندی شدند. در مرحله­  بعد با ترکیب داده­ی لیدار با تصویر هوایی اقدام به طبقه­بندی شد. نتایج نشان داد که طبقه­ بندی تصویر هوایی به تنهایی، دقت کلی و ضریب کاپا به ترتیب ۸۵ درصد و ۸۰/۰ به دست آمد. دو داده مذکور که باهم ترکیب شدند نتایج نشان داد میزان دقت کلی برابر با ۱۱/۹۲ درصد و ضریب کاپا ۸۹/۰ است. استفاده از داده لیدار در محیط ­های شهری که دارای کلاس­های ارتفاعی می­باشد، موجب بهبود دقت طبقه ­بندی می­شود.

کلمات کلیدی

تصویر هوایی، داده لیدار، طبقه­ بندی، پیکسل پایه، کاربری اراضی.


ali.shamsoddini@modares.ac.ir

w.x+b=0نکات برجسته پژوهش

  • ترکیب داده لیدار با تصویر هوایی جهت استخراج کاربری اراضی.
  • استفاده از روش ماشین­های بردار پشتیبان جهت طبقه­بندی به روش پیکسل پایه

۱- مقدمه

در کشورهای توسعه‌یافته جهان بیش از ۷۰ درصد مردم در شهرها زندگی می‌کنند {Black, 1999 #28;Andrew, 2000 #153}. به دلیل رشد جمعیت، مهاجرت و مشکلات زیست‌محیطی برنامه‌ریزان شهری نیازمند روش‌های پیشرفته برای پشتیبانی از توسعه پایدار شهری هستند. پوشش زمین [۱]، ترکیب[۲] فیزیکی و ویژگی‌های عناصر سطح زمین را بیان می‌کند {Cihlar, 2000 #83;Zhang, 2017 #156}. ازآنجایی‌که توزیع پوشش زمین تأثیر قابل‌توجهی بر روی آب‌وهوا و محیط‌زیست می‌گذارد،­ الگوی نقشه‌های پوشش زمین در مقیاس جهانی، منطقه‌ای و محلی برای دانشمندان حائز اهمیت است (National Research Council,2005).

به‌روزرسانی و اطلاع دقیق از پوشش زمین شهری برای برنامه‌های کاربردی اجتماعی- اقتصادی و زیست‌محیطی شامل برنامه‌ریزی شهری، منابع طبیعی و حفاظت و مدیریت، ضروری است (Homer et al., 2007). تصاویر و داده‌های سنجش‌ازدور[۳] اطلاعاتی از پوشش یک منطقه جغرافیایی را به‌صورت مکرر ارائه می‌دهند، بنابراین استفاده از این داده‌ها فرصتی منحصربه‌فرد را برای استخراج پوشش زمین از طریق فرایند تفسیر و طبقه‌بندی[۴] در محیط‌های شهری فراهم می‌آورد. با پیشرفت علم و گذشت زمان، سنجنده‌های باقدرت تفکیک مکانی[۵] بالا رایج می‌شوند. یکی از کاربردهای وسیع تصاویر باقدرت تفکیک مکانی بالا نقشه‌برداری و طبقه‌بندی پوشش زمین در مناطق شهری است.(Im & Jensen, 2005)  علاوه بر تصاویر با قدرت تفکیک مکانی بالا، در سال‌های اخیر سنجنده های لیدار[۶] در تولید اطلاعات سه‌بعدی دقیق و باقدرت تفکیک مکانی بالا از سطح زمین، اشیا و عوارض طبیعی و مصنوعی موجود روی زمین نقش به سزایی داشته‌اند. لیدار فناوری تعیین مختصات نقاط به صورت فعال است که به طور مستقیم قادر به تعیین ارتفاع عوارض واقع بر روی سطح زمین هست. همین مسئله دلیل عمده قابلیت زیاد سیستم لیدار برای استفاده در کاربردهای متنوع و از جمله طبقه‌بندی اراضی خصوصاً در محیط‌های شهری است که دارای پیچیدگی بیشتری نسبت به سایر محیط‌ها می‌باشند (Yan, Shaker, & El-Ashmawy, 2015).

ادغام داده‌ها در سنجش از دور عبارت است از روشی به‌منظور دستیابی به اطلاعاتی بیشتر در رابطه با پدیده‌های سطح زمین، که داده‌های به دست آمده از منابع و سنجنده‌های مختلف را ترکیب می‌کند. به طور کلی هدف از ادغام داده‌ها این است که محتوای اطلاعات موجود در هر یک از داده‌های اولیه باهم ترکیب گردیده تا به این وسیله بتوان به استنتاج‌های ویژه‌ای دست یافت که با استفاده از داده‌های اولیه امکان دستیابی به آن‌ها میسر نیست (صمدزادگان،۱۳۹۴).

به‌منظور استخراج پوشش زمین در مقیاس‌های مختلف، محققین سنجش از دور بر روی توسعه تکنیک‌های طبقه‌بندی تصاویر سنجش از دور از سال ۱۹۸۰ شروع به پژوهش نمودند. در طول دهه ۸۰ میلادی تکنیک‌های طبقه‌بندی بیشتر بر روی پیکسل‌های تصویر به عنوان واحد اصلی تحلیل اولیه اعمال می‌شدند و تعیین پوشش زمین به صورت پیکسل به پیکسل انجام می‌گرفت که به این روش‌ها، تکنیک­های پیکسل­پایه اتلاق می گردد. روش پیکسل­پایه می‌تواند به انحاء مختلف از جمله نظارت‌نشده[۷] (k-means)، نظارت‌شده[۸] (حداکثر احتمال[۹]، شبکه‌های عصبی مصنوعی[۱۰]، درخت تصمیم[۱۱] و ماشین‌های بردار پشتیبان[۱۲])، و طبقه‌بندی ترکیبی[۱۳]یا به عبارت دیگر ترکیب روش نظارت‌شده و نظارت‌نشده انجام می‌شود.

۲- پوشش زمین شهری    

اطلاعات پوشش زمین شهری به دلیل پیوند آن با بسیاری از عناصر انسانی و فیزیکی محیط‌زیست بسیار مهم است. اطلاع دقیق از پوشش زمین شهری با داده‌های سنجش از دور به طور فزاینده مورد توجه بسیاری از جوامع و متخصصان است(Corner, Dewan, & Chakma, 2014). در حال حاضر و با پیشرفت داده‌های سنجش از دور علاقه بسیاری برای متخصصان سنجش از دور شهری به وجود آمده است(Salehi, Zhang, Zhong, & Dey, 2012). به طور سنتی، نقشه پوشش زمین از طریق بررسی‌های میدانی به وسیله  GPS و یا با تفسیر دستی در نقشه و یا عکس‌های هوایی انجام می­شد. روش‌های گفته شده وقت‌گیر و گران قیمت هستند. علاوه بر این، استخراج پوشش زمین شهری از داده‌های تصویری دارای سه چالش عمده بود: نخست انسداد منظر موجب نارسایی اطلاعات می‌شود دوم اینکه مرزهای ساختمان‌ها به دلیل کنتراست پایین در تصاویر به‌درستی استخراج نمی‌شدند. چالش سوم این است که، اگر ویژگی‌های تصویر با هم مطابقت نداشته باشند برای ویژگی یک کلاس می‌تواند منجر به ابهام در بازسازی شود به خاطر همین برای طبقه­بندی در محیط­های شهری با استفاده از تصاویر سنجش از دوری از داده­های کمکی مانند داده­های لیدار استفاده می­شود­(Su et al., 2008).

 تصاویر اپتیک باقدرت تفکیک مکانی بالا، دارای قدرت تفکیک مکانی کمتر از ۰٫۵ متر را فراهم می­کنند. کاربران می‌توانند نقشه‌های پوشش زمین با مقیاس بزرگ‌تر را از تصاویر باقدرت تفکیک مکانی بالا به دست بیاورند. با وجود این، طبقه‌بندی با این نوع داده­ها دارای مشکلاتی از جمله شباهت‌های طیفی است. اگرچه تکنیک قطعه‌بندی و طبقه‌بندی شی گرا به جای طبقه‌بندی پیکسل پایه مطرح شده است(Blaschke, 2010). اثرات سایه و جابجایی هنوز به عنوان چالش در نتایج مطرح است(Zhou, Huang, Troy, & Cadenasso, 2009). یک پژوهش توسط وینکسون[۱۴](۲۰۰۵) انجام شد و مورد آزمایش قرار گرفت که نشان داد ۵۷۴ طبقه‌بندی از ۱۳۸محقق در ۵۰ سال اخیر انجام‌شده است.  بررسی­ها نشان داد که توسعه روش‌های طبقه‌بندی تصاویر سنجش از دوری یک روند رو به رشد قابل توجهی را در دقت کلی در دو دهه اخیر داشته است. گویا تصاویر هوایی/فضایی باعث می‌شد که محدودیت خاصی برای تولید یک نقشه پوشش زمین در مقیاس کوچک‌تر صورت گیرد؛ بنابراین، یکی از پیشرفت‌ها برای مطرح کردن در آینده برای معطوف داشتن پژوهش با الگوریتم ترکیب داده است(Ceamanos et al., 2010) که نیاز است محققان تحقیقاتی را برای استفاده از داده لیدار برای طبقه‌بندی پوشش از زمین در دهه­ی اخیر القا کنند. چشم‌اندازهای شهری معمولاً شامل ترکیب پدیده‌های انسان­ساخت و طبیعی پیچیده مانند ساختمان‌ها، پل‌ها، راه‌ها، درختان، پوشش‌های گیاهی، زمین‌های کشاورزی و… است. بنابراین شهرها دارای پیچیدگی کلاس‌ها و همچنین پیچیدگی ارتفاعی می‌باشند و همان‌طور که بیان شد داده لیدار با ترکیب با تصویر چند طیفی هوایی می‌تواند نتایج مطلوبی را از نظر دقت ارائه بدهد.

۳-  داده­ها و منطقه مورد مطالعه
۳-۱-  داده

داده­هایی که در این پژوهش مورد استفاده قرار گرفتند عبارت بودند از:

  • تصویر هوایی

        تصویر هوایی با استفاده از دوربین دیجیتال اولتراکم برداشت شده است و فاصله کانونی دوربین برداشت ۴/۶۸ تا ۱۰۴      میلیمتر می‌باشد. تصاوير هوايي ديجیتال استفاده شده که در اختیار این پژوهش قرار گرفته است شامل ۳ باند آبی، باند قرمز و باند سبز که ابعاد پیکسل آن بر روی زمین معادل ۱۰ سانتیمتر می‌باشد. ارتفاع متوسط پرواز هواپیما از سطح منطقه ۴۰۰ متر است.

       تصحيح هاي راديومتريک و هندسی آن توسط شرکت رایان نقشه آسیا انجام گرديده و به صورت پيش پردازش شده در اختيار محققان قرارگرفته است.

  • لیدار هوایی

داده لیدار توسط لیزر اسکنر هوایی Q560 از همان هواپیمایی که تصویر هوایی از آن اخذ شده، برداشت شده است. در نتیجه این داده­ها با عکس رقومی هوایی از تظر زمانی اختلاف قابل ذکری ندارد. فواصل افقی متوسط این نقاط ۱ سانتی متر و دقت اسمی مسطحاتی این داده ۱۰ سانتی­متر و دقت ارتفاعی آن ۱۵ سانتی متر است.

داده­های لیدار مورد استفاده در این پژوهش از نوع پالسی با قسمت مادون قرمز طیف الکترومغناطیسی است. ساختار داده­ها نامنظم بوده و به طور متوسط ۱ نقطه در هر متر مربع است. داده­ها چند بازگشتی بوده به عبارت دیگر دارای بازگشت اول، بازگشت میانی و بازگشت آخر است. فرمت داده­ی لیدار به صورت las است. همان طور که بیان شد در این پژوهش از تصویر هوایی اورتوفتو  شده و هم مرجع شده با داده-های لیدار استفاده گردیده است که هر دوی آن­ها در سیستم تصویر UTM  و در زون ۳۹ شمالی است.

این داده­ها در شهریور ماه سال ۱۳۹۳ از منطقه شهری اصفهان جمع آوری شده است. این داده در دسترس بخشی از یک مجموعه داده بزرگ‌تر است(قسمتی از شهر اصفهان) که توسط شرکت مهندسین مشاور رایان نقشه آسیا تهیه شده است.

۳-۲- منطقه مورد مطالعه

شهر اصفهان که مرکز استان اصفهان است به عنوان مهم­ترین شهرهای ایران محسوب می­شود. محدوده­ی مورد مطالعه در پژوهش حاضر قسمتی از شهر اصفهان است که در جنوب شهر اصفهان واقع شده است. محدوده مورد نظر با مساحتی بالغ بر ۱۰۰ هکتار می­باشد. از نظر موقعیت جغرافیایی در ۵۱ درجه و ۳۶ دقیقه تا ۵۱ درجه و ۳۷ دقیق شرقی و ۳۲ درجه و ۳۷ دقیقه و ۵۴ ثانیه تا ۳۲ درجه ۳۷ دقیقه و ۵۴ ثانیه شمالی قرار دارد. محدوده ذکر شده به لحاظ توپوگرافی صاف محسوب می­شود و ارتفاع آن از سطح دریا به طور متوسط ۱۵۸۸ متر می­باشد. این محدوده از طرف شمال به زمین­های کشاورزی و زاینده رود محدود می­شود و در دیگر جهات به شهر محدود شده است.

۴- روش تحقیق

در روش پردازش پیکسل‌پایه، پیکسل به عنوان واحد اصلی محسوب شده و ارزش عددی پیکسل‌های تصاویر، مبنای طبقه‌بندی را تشکیل می‌دهد. این روش طبقه‌بندی بر اساس آماری به دو صورت نظارت‌شده و نظارت‌نشده انجام می‌شود. این دیدگاه کلاسیک بر اساس تئوری باینری استوار است. با این تئوری، یک پیکسل در یکی از کلاس‌ها طبقه‌بندی می‌شود یا اینکه در هیچ یک از کلاس‌ها ارزیابی نشده و به صورت طبقه‌بندی نشده باقی می‌ماند. بر اساس تئوری باینری، پیکسل‌ها در محدوده‌های همپوشان عوارض تنها در یک کلاس طبقه‌بندی می‌شود، در حالی که پیکسل‌ها با سایر کلاس‌ها دارای همبستگی هستند، و این همبستگی یکی از عوامل مهم کاهش دقت طبقه‌بندی پیکسل پایه است(Blaschke, 2010).

۴-۱- ماشین‌های بردار پشتیبان

ماشین‌های بردار پشتیبان(SVM) یک توسعه امیدوارکننده‌ای را در تحقیقات یادگیری ماشین دارد. طبقه‌گرهای عصبی در حال حاضر به طور گسترده در سنجش از دور مورد استفاده قرار می‌گیرند .(Benediktsson, Swain, & Ersoy, 1990)به طور معمول به عنوان طبقه‌بندی آماری است اما طیف وسیعی از عوامل وجود دارد که استفاده از این روش‌ها را محدود ساخته است(Kavzoĝlu, 2001).

یک الگوریتم SVM به دنبال ابر صفحه‌ای با حداکثر حاشیه می­گردد. انتظار می­رود ابر صفحه‌ای با حاشیه بیشتر دقت بیشتر دقت بیش­تری را نیز در طبقه­بندی با داده­های داده­های آموزشی داشته باشد. الگوریتم دو ابر صفحه را برای جداسازی قرار می­دهد که در آن­ها حاشیه­ها یکسان نیستند. از نقطه نظر هندسی حاشیه از فاصله­ی موجود بین ابر صفحه و نزدیک­ترین نمونه­های آموزشی محاسبه می­شود. در حالت دو بعدی کوتاه‌ترین فاصله از یک ابر صفحه تا نمونه­ای با برچسب ۱+ برابر با کوتاه­ترین فاصله از آن ابر صفحه تا نمونه­ای با برچسب۱- است. در واقع حاشیه از دو برابر این کوتاه‌ترین فاصله به دست می­آید.

[۱] Land cover

[۲] Combining

[۳] Remote sensing

[۴] Classification

[۵] Spatial resolution

[۶] LiDAR

[۷] unsupervised

[۸] supervised

[۹] Maximum likelihood

[۱۰] Neural network

[۱۱] Decision tree

[۱۲] Support vector machine

[۱۳] Multi classifier

[۱۴] Vinkson

یک ابر صفحه جداکننده را می­توان به صورت رابطه ۱ معرفی کرد.

w.x+b=0

که در آن W={W1, W2,…,WN} برداری است که تعداد عضوهای موجود در آن برابر با صفات خاصه است و b مقدار    ثابتی فرض می­شود. در یک فضای دوبعدی که مجموعه داده­ها با ۲ صفت خاصه و یک برچسب کلاس توصیف می­شوند و  فرض b=w  رابطه ۱ به صورت رابطه ۲ بازنویسی می­شود.

w+w_1 x_1
w_2 x_2=0

– نتایج

شکل شماره ۱ نتیجه­ ی طبقه­ بندی تصویر هوایی را نشان می دهد. همان طور که از شکل پیداست کلاس­های ارتفاعی مانند ساختمان به طور نا منظم طبقه ­بندی شدند.

شکل۱: تصویر هوایی طبقه¬بندی شده

جدول ۱: ماتریس خطا، دقت کلی، ضریب کاپا، دقت تولیدکننده و دقت کاربر حاصل از طبقه‌بندی تصویر هوایی به روش پیکسل پایه

کلاس

زمین کشاورزی

درخت

ساختمان

زمین بایر

معابر

دقت تولیدکننده

دقت کاربر

دقت کلی

ضریب کاپا

زمین کشاورزی

۴۲۶۱

۸۵۶

۱۴۲

۱۳۳

۴۴۸

۹۳/۷۷

۹۶/۷۲

۸۹/۸۵

۸۰/۰

درخت

۶۵۷

۴۶۷۰

۰

۶۴

۵۴

۶۷/۸۲

۷۴/۸۵

ساختمان

۲۲

۰

۱۸۲۲۶

۲۳۷۳

۱۸۰

۸۵/۹۰

۶۷/۸۷

زمین بایر

۳۲

۳۷

۱۵۴۲

۵۴۱۲

۰

۷۷/۶۷

۲۱/۷۴

معابر

۲۲۶

۸۵

۱۴۹

۴

۱۱۷۳۴

۵۱/۹۴

۲۰/۹۶

جدول فوق حاوی ماتریس خطا، دقت کلی، ضریب کاپا، دقت کاربر، دقت تولید کننده طبقه­بندی تصویر هوایی را به تنهایی نشان میدهد. بهترین عملکرد در کلاس معابر و ضعیف­ترین عملکرد مربوط به کلاس زمین بایر می­باشد. دقت کلی و ضریب کاپا  به ترتیب برابر  با  89/85 و ۸۰/۰ می­باشد.

شکل ۳: طبقه‌بندی تصویر هوایی و داده لیدار به روش پیکسل پایه

 

جدول ۳: ماتریس خطا، دقت کلی،ضریب کاپا، دقت تولیدکننده و دقت کاربر حاصل از طبقه‌بندی تصویر هوایی و داده­ی لیدار

کلاس

زمین کشاورزی

درخت

ساختمان

زمین بایر

معابر

دقت تولیدکننده

دقت کاربر

دقت کلی

ضریب کاپا

زمین کشاورزی

۴۶۸۹

۹۶۱

۰

۱۰۹۵

 

۷۵/۸۵

۱۹/۶۵

۱۱/۹۲

۸۹/۰

درخت

۳۰۳

۴۵۵۰

۶

۵۰

۲۴

۵۵/۸۰

۲۴/۹۲

ساختمان

۰

۰

۱۹۹۴۳

۱۹۴

۰

۴۱/۹۹

۰۱/۹۹

زمین بایر

۲۴۶

۴۶

۷۸

۶۵۶۹

۱۸۰

۲۶/۸۲

۲۶/۹۲

معابر

۲۳۰

۸۶

۳۴

۷۸

۱۱۷۶۴

۷۵/۹۴

۴۹/۹۶

در جدول فوق نتایج حاصل از طبقه­ بندی تصویر هوایی و داده لیدار ترکیب آورده شده است. دقت کلی و ضریب کاپا به ترتیب ۱۱/۹۲ و ۸۹/۰ به دست آمد.  بهترین عملکرد مربوط به کلاس ساختمان و ضعیف­ترین عملکرد مربوط به کلاس درخت می­باشد. دقت طبقه بندی در مقایسه با تصویر هوایی به تنهایی به میزان ۷ درصد افزایش یافت.

۶- بحث و نتیجه­ گیری

          برنان (۲۰۰۶) به این نتیجه رسیدند که داده­های لیدار می­توانند در بهبود طبقه­بندی در محیط­ های شهری به کار روند. آقای هارت فیلد و همکاران (۲۰۱۱) با استفاده از داده‌های چندطیفی باقدرت تفکیک مکانی بالا و لیدار هوایی اقدام به طبقه‌بندی پوشش زمین شهری، شهر موسکوئیتو پرداختند. با توجه­ به اینکه تصاویر هوایی دارای مقدار زیادی از اطلاعات طیفی می­باشند و محیط­های شهری نیز حاوی کلاس­های ارتفاعی می­باشند استفاده از لایه­های طیفی به تنهایی از عملکرد ضعیفی برخوردار است. ژانگ و همکاران (۲۰۰۶) به این نتیجه رسیدند که چون شهرها دارای پیچیدگی ارتفاعی می­باشند استفاده از داده­های لیدار می­تواند در جهت بهبود سیگنال­های طیفی عمل کنند.

در تحقیق حاضر به این نتیجه رسیدیم که در محیط­های شهری که دارای پیچیدگی­های ارتفاعی می­باشند، استفاده از داده­های لیدار هوایی و ترکیب آن با داده­های طیفی موجب بهینه شدن دقت طبقه ­بندی خصوصاً در کلاس­های ارتفاعی می­شود. 

مراجع

[۱] صمد زادگان، فرهاد و همکاران(۱۳۹۴)، ادغام داده‌ها در سنجش‌ازدور مفاهیم و روش‌ها، انتشارات دانشگاه تهران.

[۲]Benediktsson, J. A., Swain, P. H., & Ersoy, O. K. (1990). Neural network approaches versus statistical methods in classification of multisource remote sensing data.

[۳]Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing, 65(1), 2-16.

[۴]Ceamanos, X., Waske, B., Benediktsson, J. A., Chanussot, J., Fauvel, M., & Sveinsson, J. R. (2010). A classifier ensemble based on fusion of support vector machines for classifying hyperspectral data. International Journal of Image and Data Fusion, 1(4), 293-307.

[۵]Corner, R. J., Dewan, A. M., & Chakma, S. (2014). Monitoring and prediction of land-use and land-cover (LULC) change Dhaka Megacity (pp. 75-97): Springer.

[۶]Homer, C., Dewitz, J., Fry, J., Coan, M., Hossain, N., Larson, C., . . . Wickham, J. (2007). Completion of the 2001 national land cover database for the counterminous United States. Photogrammetric Engineering and Remote Sensing, 73(4), 337.

[۷]Im, J., & Jensen, J. R. (2005). A change detection model based on neighborhood correlation image analysis and decision tree classification. Remote Sensing of Environment, 99(3), 326-340.

[۸]Kavzoĝlu, T. (2001). An investigation of the design and use of feed-forward artificial neural networks in the classification of remotely sensed images. University of Nottingham.  

[۹]Salehi, B., Zhang, Y., Zhong, M., & Dey, V. (2012). Object-based classification of urban areas using VHR imagery and height points ancillary data. Remote Sensing, 4(8), 2256-2276.

[۱۰]Su, W., Li, J., Chen, Y., Liu, Z., Zhang, J., Low, T. M., . . . Hashim, S. A. M. (2008). Textural and local spatial statistics for the object‐oriented classification of urban areas using high resolution imagery. International Journal of Remote Sensing, 29(11), 3105-3117.

[۱۱]Yan, W. Y., Shaker, A., & El-Ashmawy, N. (2015). Urban land cover classification using airborne LiDAR data: A review. Remote Sensing of Environment, 158, 295-310.

[۱۲]Zhang, J. B. T. (2005). Support vector classification with input data uncertainty. Advances in neural information processing systems, 17, 161-169.

[۱۳]Zhou, W., Huang, G., Troy, A., & Cadenasso, M. (2009). Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study. Remote Sensing of Environment, 113(8), 1769-1777.

مطالب مرتبط