استخراج اتوماتيك عوارض شهري از تصاوير با قدرت تفكيك بالاي مكاني با استفاده از شبكه‌هاي عصبي پيچشي (منطقه مورد مطالعه: شهر اهواز)

استخراج و بازسازي اتوماتيك عوارض از داده‌هاي هوايي و ماهواره‌اي مي‌تواند نقش انسان را در توليد اطلاعات مكاني بزرگ مقياس شهري به حداقل رسانده و هزينه و زمان توليد آنها را به شدت كاهش دهد. شناسايي اشياء هدف از تصاوير هوايي و ماهواره‌اي به خصوص در مناطق شهري با استفاده از تكنيك‌هاي پردازش تصاوير كامپيوتري و الگوريتم‌هاي هوش مصنوعي يكي از پركاربردترين حوزه‌هاي تحقيقاتي به شمار مي‌رود. از انواع اين الگوريتم‌ها، شبكه‌هاي عصبي پيچشي (Convolution Neural Networks) هستند كه از توان بالايي براي استخراج ويژگي‌هاي سطح بالا در انواع تصاوير برخوردارند. در اين پژوهش بيش از 850 نمونه آموزشي از عوارض ساختاري مهم شهري شامل ساختمان، راه و تك درخت تهيه شده است. در اين تحقيق از ميان انواع مختلف شبكه‌هاي موجود، با توجه به سرعت بالاتر انجام پردازش، از شبكه عصبي كانولوشون بر مبناي آشكاساز چندباكس تك شات با پايه شبكه ResNet به منظور كشف و استخراج خودكار محدوده اين عوارض استفاده شده است. مدل پيشنهادي توسط نمونه‌هاي آموزشي بر مبناي 85 درصد داده آموزشي و 15 درصد داده اعتبارسنجي، با 120 دوره تكرار و دقت 93 درصد آموزش داده شده است. مدل آموزش ديده بر روي تصاوير مختلف از منطقه مورد مطالعه براي كشف عوارض هدف اجرا شده است. نتايج ارزيابي مدل بر اساس معيار دقت برابر 0.86 و معيار بازيابي برابر 0.82 و معيار F1Score برابر 0.83 مي‌باشد. نتايج نشان‌دهنده آنست كه الگوريتم پيشنهادي مي‌تواند در زمينه‌هايي چون توليد و بروزرساني نقشه‌هاي بزرگ مقياس شهري و همچنين كشف تغييرات در مناطق شهري مورد استفاده قرار گيرد.