تصویر هوایی

تصاویر هوایی ثبت شده توسط ماهواره ها و یا پهپاد ها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازه های ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشه های هواییِ برچسب دار ایجاد کنیم. دست یابی به چنین اطلاعاتی می تواند کاربرد های بسیار مفیدی در زمینه های نظامی، شهری و زیست محیطی داشته باشد. از آنجایی که پردازش حجم عظیمی از تصاویر به دست آمده از ماهواره ها و پهپاد ها بصورت دستی امکان پذیر نیست، لذا استفاده از روش های خودکارِ مبتنی بر هوش مصنوعی در این حوزه، بسیار مورد توجه قرار گرفته است. تاکنون پژوهش های متعددی در این باره انجام شده است که از اهم آنها می توان به شناسایی ساختمان ها، وسایل نقلیه، جاده ها و همچنین تشخیص ساختار پوشش گیاهی در تصاویر هوایی اشاره کرد. در این مقاله، قصد داریم با معرفی مجموعه ای از ویژگی های آماری مبتنی بر رنگ که به سادگی قابل استخراج از تصاویر هوایی هستند و با استفاده از یک مدل مبتنی بر یادگیری، راهکاری کارآمد برای تشخیص دقیق و سریع سازه های ساخت بشر و تفکیک آنها از منابع طبیعی ارایه دهیم. نتایج آزمایش های انجام گرفته بر روی بانک تصاویر ماساچوست که به صورت عمومی، قابل دسترس است، نشان دهنده دقت مناسب و سرعت عمل بالای راهکار پیشنهادی است. به طوری که، دقت و میانگین سرعت پردازش به دست آمده به ترتیب برابر با ٪۰۷/۹۰ و 96/0 ثانیه است.

شهر ارومیه مرکز استان آذربایجان غربی به عنوان دهمین شهر پرجمعیت کشور و دومین شهر بزرگ شمال غرب به شمار می رود. این شهر در دهه های گذشته همگام با دیگر شهرهای ایران شاهد تغییرات وسیع و گسترده ای در ساختار بافت و کالبد سنتی خود بوده است. شناخت و تحلیل دقیق و واقعی تر از چگونگی تغییرات ایجاد شده در طراحی و برنامه ریزی های مرتبط با مسائل شهری در حال و آینده به خوبی می تواند به یاری متخصصان و مدیران شهری آمده و دستیابی به شهری سالم تر و پایدارتر را سهل تر سازد. لذا بررسی و مطالعه تصویرهای هوایی سال های مختلف در کنار سایر راهکارها به عنوان یکی از بهترین ابزارهای شناخت و تحلیل در این زمینه بشمار می روند. بر همین اساس مقاله حاضر با رویکردی توصیفی و در نهایت تحلیل گونه تلاش دارد تا تغییرات کالبدی شهر ارومیه را مورد مطالعه قرار دهد.

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.