نقشه‌برداري درختان در محيط‌هاي شهري با استفاده از شبكه عصبي عميق كانولوشني و فيلترهاي مورفولوژيكي در پردازش تصاوير هوايي با قدرت تفكيك مكاني بالا

فضاي سبز و درختان در بهبود كيفيت زندگي انسان نقشي انكارناپذير دارند. درختان شهري علاوه بر كمك به تعادل گرمايي و تصفيه هوا، از نظر زيبايي بصري نيز حائز اهميت هستند. استفاده از سكوهاي بدون سرنشين در تصويربرداري هوايي، جهت دستيابي به تصاوير با قدرت تفكيك مكاني بالا، روشي متداول محسوب مي شود. در پردازش داده‌هاي حجيم حاصل از اين نوع تصويربرداري و چالش‌هاي ويژه آن، روش‌هاي يادگيري عميق بر پايه شبكه‌هاي عصبي كانولوشني بسيار كارآمد هستند. در اين تحقيق يك معماري براي شبكه عصبي كانولوشني بر پايه شبكه‌هاي رمزگذار رمزگشا پيشنهاد شده است كه نتايج آن بر روي داده‌هاي مرجع ارائه شده توسط انجمن بين‌المللي فتوگرامتري و سنجش‌ازدور از شهر پوتسدام كشور آلمان جهت آشكارسازي درختان شهري، دقت كلي 96.10% و امتياز F1 برابر با 80.72% را ارائه مي‌دهد. همچنين موضوع جايگزيني باند مادون‌قرمز به‌جاي باند آبي در تصاوير مرئي مورد بررسي قرار گرفت كه موجب بهبود در نتايج طبقه‌بندي شد هرچند تغيير بسيار كم دقت با وجود اين تغيير را مي‌توان به زمان تصويربرداري مرتبط دانست كه در اين زمان عموماً درختان منطقه موردمطالعه از هيچ‌گونه سبزينگي برخوردار نبوده‌اند. بحث ديگر در اين تحقيق ايجاد تصوير تفاضلي از نقشه واقعيت زميني و نقشه تخمين خروجي از الگوريتم پيشنهادي است كه با توجه به اين نقشه تفاضلي اعمال يك فيلتر مورفولوژي مفيد به نظر مي‌رسد كه در عمل موجب افزايش دقت در طبقه‌بندي نهايي شده است. موضوع آخر استفاده از پارامترهاي شبكه حاصل از آموزش توسط تركيب باندي قرمز، سبز و آبي به‌عنوان پارامترهاي اوليه براي شبكه با ورودي تركيب باندي مادون‌قرمز نزديك، قرمز و سبز است كه در اين حالت زمان دستيابي به بهترين عملكرد شبكه در حدود 83% كاهش يافته و اين پيش آموزش پارامترهاي شبكه عصبي موجب همگرايي سريع شبكه موردنظر شده است.