استخراج تاج‌پوشش درختان شهري با روش طبقه‌بندي شيء‌پايه و الگوريتم‌هاي يادگيري ماشين

آگاهي از ميزان تاج‌پوشش درختان در مناطق شهري به‌علت تأثيرات آن در كاهش آلودگي‌‌هاي هوا، كاهش آلودگي صوتي، جلوگيري از باد، ذخيره نزولات آسماني، و كاهش و كنترل رواناب‌هاي شهري بسيار ضروري است. ازآن‌جا‌كه استخراج تاج‌پوشش درختان با روش‌هاي دستي بسيار وقت‌گير و پرهزينه است، تكنيك‌هاي سنجش از دور مي‌توانند ابزار مناسبي براي تأمين اين داده‌ها باشند. در طبقه‌بندي شيء‌پايه، انتخاب پارامترهاي بهينه قطعه‌بندي، به‌ويژه پارامتر مقياس، اهميت بسياري دارد و معمولاً با شيوه آزمايش و خطا تعيين مي‌شود كه كاملاً تجربي است. بنابراين، يكي از اهداف اين پژوهش انتخاب مقياس بهينه قطعه‌بندي به‌صورت خودكار است. همچنين، پس از استخراج قطعات، لازم است با يك روش طبقه‌بندي، قطعات استخراج‌شده تعيين كاربري/ پوشش زمين شوند و در اين زمينه، انتخاب نوع روش طبقه‌بندي در نتيجه نهايي طبقه‌بندي شيء‌پايه بسيار اهميت دارد. ازاين‌رو، پس از قطعه‌بندي با استفاده از داده‌هاي ليدار و تصاوير هوايي از شهر واهينگن در آلمان و تعيين ويژگي‌هاي مهم مستخرج از قطعات، با استفاده از روش انتخاب ويژگي برمبناي جنگل تصادفي، قطعات مربوط به تاج‌پوشش درختان از ساير قطعات تفكيك شد. اين كار با بهره‌گرفتن از شيوه‌هاي يادگيري ماشين شامل ماشين بردار پشتيبان، جنگل تصادفي و درخت تصميم‌گيري صورت گرفت. نتايج نشان‌دهنده برتري الگوريتم ماشين بردار پشتيبان، به‌منزله برترين الگوريتم طبقه‌بندي‌كننده، و مقياس 25، به‌منزله بهترين مقياس انتخابي، بود و در نهايت، الگوريتم‌هاي ماشين بردار پشتيبان، جنگل تصادفي و درخت تصميم‌گيري در مقياس 25، به‌ترتيب، با شاخص‌هاي كيفيت 79.90 و 79.16 و 76.90 توانستند تاج‌پوشش درختان را استخراج كنند.