TY - JOUR ID - 35638 TI - بهبود طبقه بندی منطقه شهری با استفاده از تلفیق تصاویر اپتیک چندباندی و لایدار با قدرت تفکیک مکانی بالا JO - فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر» JA - SEPEHR LA - fa SN - 2588-3860 AU - ارفته, علیرضا AU - محمد, طاهر رضا AU - حسینقلی زاده, علی AU - حقوقی فرد, احسان AD - کارشناس ارشد سنجش از دور، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران AD - کارشناس ارشد سنجش از دور و سیستم اطلاعات مکانی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی تهران AD - دانشجوی کارشناس ارشد مدیریت شهری، دانشکده اقتصاد و مدیریت، دانشگاه آزاد اسلامی واحد شیراز Y1 - 2019 PY - 2019 VL - 28 IS - 109 SP - 55 EP - 75 KW - مناطق شهری KW - تصاویر اپتیک و لایدار KW - تلفیق در سطح ویژگی KW - الگوریتم ژنتیک KW - ماشین بردار پشتیبان DO - 10.22131/sepehr.2019.35638 N2 - امروزه با گسترش مناطق شهری تولید اطلاعات دقیق و به روز از جمله اطلاعات اساسی، به منظور مدیریت و برنامه‌ریزی شهرها است. گسترش روز افزون تکنولوژی سنجش از دور امکان استخراج اطلاعات متنوع از پوشش‌های شهری را فراهم آورده که موجب جلب توجه محقق‌های فراوانی به این موضوع شده است. وجود عوارض متنوع و نیز کاربری‌های مختلف اطلاعات مکانی مناطق شهری، تلفیق منابع داده مختلف به منظور شناسایی عوارض را به امری کاربردی مبدل کرده است. هدف این تحقیق تلفیق ویژگی‌های بهینه استخراج شده از داده‌های اپتیک و لایدار به منظور شناسایی عوارض شهری در منطقه مورد مطالعه می‌باشد. در این راستا ویژگی‌های مختلفی از هر یک از این داده‌ها استخراج شده است. از جمله این ویژگی‌ها می‌توان به ویژگی‌های رنگی، شاخص گیاهی و بافت از تصویر اپتیک و ویژگی‌های نرمی، مدل ارتفاعی رقومی نرمال و زبری از تصویر لیدار اشاره نمود. سپس به منظور انتخاب ویژگی‌های بهینه از الگوریتم ژنتیک استفاده شده است. در انتها با استفاده از روش طبقه‌بندی کننده ماشین‌بردار پشتیبان به شناسایی عوارض مورد نظر پرداخته شده است. دقت طبقه‌بندی کننده الگوریتم ماشین بردار پشتیبان در منطقه مورد مطالعه با استفاده از ویژگی‌های بهینه و داده‌های اولیه 734/88 محاسبه شده که نسبت به طبقه‌بندی داده اولیه اپتیک چندباندی دارای بهبود 438/25 درصدی و نسبت به طبقه‌بندی داده اولیه لایدار دارای بهبود 236/18 درصدی است. نتایج بررسی نشان دهنده افزایش دقت طبقه‌بندی با استفاده از ویژگی‌های بهینه در کنار باندهای اولیه است. UR - https://www.sepehr.org/article_35638.html L1 - https://www.sepehr.org/article_35638_c005f587fb8f80421c8390e47416a45e.pdf ER -