استخراج اتوماتيك شبكه راه براساس ادغام تصاوير ماهواره‌اي سنتينل1 و سنتينل2 با ويژگيهاي آناليز بافت در فضاي غيرشهري (مطالعه موردي: مسير شاهرود- ميامي)

Automatic Extraction of Road Network Based on the Integration of Sentinel-1 and Sentinel-2 Satellite Images with Texture Analysis Features in Non-urban Space (Case Study: Shahroud-Miami Route

سنجش از دور در بسياري از زمينه ­هاي علمي و تحقيقاتي، از جمله در مهندسي راه و حمل و نقل، كاربرد­هاي گسترده­اي دارد كه مي­توان به مهم­ترين كاربرد آن يعني استخراج شبكه راه­ و تهيه نقشه شماتيك آن‌ اشاره كرد. استخراج شبكه راه­ها از تصاوير ماهواره­اي نوعي فناوري مكمل براي دستيابي به اطلاعات به ­شمار مي­ آيد كه تفسير و آناليز تصوير را ساده ­تر كرده و باعث ارتقاي كيفيت مي­شود. هدف اساسي اين پژوهش، استخراج اتوماتيك شبكه راه در مسير شاهرود- ميامي بوده كه نقشه شبكه راه حاصله به عنوان ورودي سيستم مديريت روسازي (PMS) مورد استفاده قرار گيرد. روش پيشنهادي در اين مطالعه مبتني بر تكنيك ادغام و تلفيق تصاوير ماهواره­ هاي سنتينل1 و سنتينل2 با روش حداكثر رأي­گيري به منظور استفاده بيشينه از اطلاعات طيفي و مكاني چند تصوير (افزايش جزئيات) به جاي تك­ تصوير، با استفاده از ويژگي­هاي بافت، مي­باشد. در ادامه، براي انجام طبقه ­بندي نظارت شده، از دو طبقه­ بند غيرپارامتريك شبكه عصبي مصنوعي (ANN) و ماشين بردار پشتيبان (SVM) و يك طبقه­ بند پارامتريك حداكثر احتمال شباهت (ML) در دو كلاس كلي راه و غيرراه استفاده شد. نمونه­ هاي آزمايشي به صورت تصادفي و همگن و نمونه­ هايي از تصاوير و نقشه­ هاي موجود منطقه براي ارزيابي دقت طبقه ­بندي استفاده شدند. نتايج نشان داد كه ادغام و تلفيق نتايج طبقه ­بندي ­ها با روش حداكثر رأي­گيري موجب بهبود دقت حدود 4% براي ماهواره سنتينل 1 و حدود 6% براي ماهواره سنتينل2 در شناسايي مسير و شبكه راه­ها شده است. همچنين، ضريب كاپا در روش حداكثر رأي­گيري نسبت به ANN (بهترين عملكرد مؤثر طبقه­ بندي ­ها) براي ماهواره سنتينل1 حدود 0/11 و براي ماهواره سنتينل2 حدود 0/06 رشد داشته است.

Remote sensing has wide applications in many scientific and research fields, including road engineering and transportation, the most important of which is extraction of road network and preparation of a schematic map of road network. Extraction of road network from satellite images is a complementary technology for accessing information, which simplifies the interpretation and analysis of image and improves the quality, which is one of the most important goals of planners. The main purpose of this study was to automatically extract road network on Shahroud-Miami route so that the resulting road network map can be used as the input of pavement management system (PMS). The proposed method in this study is based on the technique of merging and combining images of Sentinel-1 and Sentinel-2 satellites with the majority voting method in order to make maximum use of spectral and spatial information of multiple images (detail increase) instead of single image using texture features. Then, for the monitored classification, three classifications of artificial neural network (ANN), support vector machine (SVM) and maximum likelihood of similarity (ML) were used in two general classes of road and non-road. Random and homogeneous experimental samples and evaluation samples from the existing images and maps of the region were used to assess the accuracy of classification. Results of this study showed that integration of the results of classifications with the majority voting method improved the accuracy by 4% for Sentinel-1 satellite and 6% for Sentinel-2 satellite in identifying the route and the road network. Also, the kappa coefficient in the majority voting method has increased by about 0.11 for Sentinel-1 satellite and by about 0.06, compared to ANN (the best effective classification performance).