اصغر میلان

مطالعه کاربری اراضی و تغییرات آن در دوره های زمانی نقشی کلیدی در مدیریت منابع طبیعی و برنامه ریزی شهری ایفا می کند. یکی از روش های بهینه و مقرون به صرفه در این زمینه استفاده از الگوریتم ها و روش های طبقه بندی تصاویر هوایی و سنجش از دور است. طبقه بندی تصاویر هوایی با استفاده از مدل های یادگیری عمیق یکی از روش های پیشرفته در پردازش داده های مکانی محسوب می شود که بهبود صحت و کارایی آن به انتخاب مدل مناسب و تنظیم بهینه فراپارامترها بستگی دارد. در این پژوهش، عملکرد دو مدل یادگیری عمیق U-Net و ResNet-34 در ترکیب با شش بهینه ساز مختلف شامل SGD، Adam، RMSprop، Adagrad، Nadam و AdamW برای طبقه بندی تصاویر هوایی بررسی شده است. نتایج نشان داد که ResNet-34 در تمامی معیارهای ارزیابی عملکرد بهتری نسبت به U-Net ارائه داده است. بالاترین صحت کلی در مدل ResNet-34 با بهینه ساز RMSprop برابر با 87.54% بود، درحالی که همین بهینه ساز در مدل U-Net صحت77.17% را به دست آورد. بهینه ساز Adam نیز در ResNet-34 صحت83.97% و در U-Net صحت 63.30% را ارائه داد. در مقابل، بهینه ساز Adagrad ضعیف ترین عملکرد را داشت و همگرایی کندی نشان داد. تحلیل معیارهای ضریب کاپا، امتیاز ژاکارد و امتیاز F1 تأیید کرد که بهینه سازهای تطبیقی مانند RMSprop و Adam تأثیر مثبتی بر بهبود صحت مدل ها دارند. نتایج این تحقیق نشان داد که انتخاب مدل مناسب و بهینه ساز کارآمد نقش مهمی در افزایش صحت و کاهش خطای مدل های یادگیری عمیق دارد. در مطالعات آینده، بررسی بهینه سازی ترکیبی روش های کلاسیک و تطبیقی و استفاده از مدل های پیشرفته تر مانند ++ U-Net و بهینه سازهای نوظهور نظیر Lion، AdaBelief و RAdam پیشنهاد می شود.

در فرایند تهیه نقشه به روش فتوگرامتری استفاده از داده هایGPS/IMU  در مثلث بندی موجب افزایش استحکام بلوک فتوگرامتری و کاهش تعداد نقاط کنترل زمینی مورد نیاز برای سرشکنی بلوک گردیده است. خطاهای سیستماتیک داده های مورد استفاده در مثلث بندی، دقت مثلث بندی را کاهش داده، استفاده از نقاط کنترل زمینی را حتی با وجود داده های GPS/IMU  ضروری می سازد. بنابراین با کاهش میزان خطای سیستماتیک بر روی داده ها می توان شاهد افزایش دقت مثلث بندی و کاهش تعداد نقاط کنترل زمینی مورد نیاز برای سرشکنی بلوک و همچنین نوارهای پرواز متقاطع بود. در این پژوهش نقش پارامترهای سلف کالیبراسیون مانند پارامترهای حذف خطای سیستماتیک داده های  GPS/IMUبرای هر نوار و پارامترهای حذف خطای سیستماتیک سنجنده تصویر برداری به منظور افزایش دقت مثلث بندی و کاهش تعداد نقاط کنترل زمینی و کاهش نوارهای پرواز متقاطع مورد نیاز برای سرشکنی بلوک مورد بررسی قرار گرفته است.  بدین منظور ابتدا پارامترهای بهینه سلف کالیبراسیون با استفاده از الگوریتم ژنتیک تعیین می گردد، سپس پارامترهای بهینه تعیین شده، در سرشکنی بلوک به روش باندل مورد استفاده قرار می گیرد.  به منظور حل مشکل ناپایداری معادلات از روش تخمین مؤلفه واریانس استفاده شده است.  این روش قادر است علاوه بر پایدارسازی مسئله، ماتریس وزن بهینه را در هنگام سرشکنی تعیین نماید. در این پژوهش از تصاویر دوربین رقومی UltraCamاستفاده شده است.  نتایج بدست آمده نشان می دهد که در صورت استفاده از پارامترهای سلف کالیبراسیون و کاهش میزان خطای داده های مورد استفاده در فرآیند سرشکنی، تعداد نقاط کنترل و تعداد نوارهای پرواز متقاطع برای سرشکنی بلوک کاهش می یابد به گونه ای که بدون استفاده از نقاط کنترل و با استفاده از پارامترهای بهینه سلف کالیبراسیون، بیشترین میزان خطای RMSE  بر روی نقاط چک زمینی، 0.143 متر می باشد در حالی که اگر از این پارامترها استفاده نشود در صورت وجود یا عدم وجود نوارهای پرواز متقاطع ماکزیمم خطای RMSE، در حدود یک متر می باشد.