امکان‌سنجی شناسایی و مطالعۀ آسیب خیابان‌های شهری با استفاده از تصاویر پهپادی و ماهواره‌ای (مطالعۀ موردی: شهر یزد)

غفاریان مالمیری, حمیدرضا; نقی پور, نگار; منصورمقدم, محمد; مزیدی, احمد

doi:10.22108/gep.2023.135448.1551

تعداد نشریات	43
تعداد شماره‌ها	1,652
تعداد مقالات	13,423
تعداد مشاهده مقاله	30,846,488
تعداد دریافت فایل اصل مقاله	12,142,107

امکان‌سنجی شناسایی و مطالعۀ آسیب خیابان‌های شهری با استفاده از تصاویر پهپادی و ماهواره‌ای (مطالعۀ موردی: شهر یزد)

جغرافیا و برنامه ریزی محیطی

مقاله 7، دوره 34، شماره 3 - شماره پیاپی 91، مهر 1402، صفحه 119-142 اصل مقاله (2.21 M)

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22108/gep.2023.135448.1551

نویسندگان

حمیدرضا غفاریان مالمیری^* ¹؛ نگار نقی پور²؛ محمد منصورمقدم³؛ احمد مزیدی⁴

¹استادیار گروه جغرافیا، دانشگاه یزد، یزد، ایران

²دانشجوی کارشناسی ارشد سنجش از دور دانشگاه یزد، یزد، ایران

³دانشجوی دکتری مرکز مطالعات سنجش از دور و GIS ، دانشگاه شهید بهشتی، تهران، ایران

⁴دانشیار گروه جغرافیا، دانشگاه یزد، یزد، ایران

چکیده

راه‌های ارتباطی جزو مهم‌ترین و اصلی‌ترین ساختارهای موجود در سطح یک شهر هستند؛ بنابراین پایش و نگهداری از شبکه‌های ارتباطی شهری و بین‌ شهری همواره جزو موارد پرکاربرد مدیریت شهری است. در پژوهش پیش رو از روش‌های مختلف نظارت‌شده، شیءگرا و فیوژن تصاویر ماهواره‌ای و پهپادی با استفاده از الگوریتم گرام-اشمیت برای بررسی آسیب‌های آسفالت ازجمله ترک‌خوردگی و فرسودگی آسفالت استفاده شده است تا بهترین روش برای تحلیل ارائه شود. نتایج نشان‌دهندۀ آن بود که امکان استخراج آسیب‌های مربوط به آسفالت با تصاویر پهپادی و ماهواره‌ای با استفاده از روش‌های سنجش از دوری وجود دارد. در بررسی روش‌های متفاوت استخراج آسیب‌ها، روش‌های نظارت‌شدۀ ماشین‌بردار پشتیبان با ضریب کاپای 87 و دقت کلی 90 درصد بیشترین و روش کمترین فاصله با ضریب کاپا و دقت کلی به‌ترتیب 57 و 67 درصد کمترین دقت را در طبقه‌بندی روش‌های نظارت‌شده از خود نشان داده‌اند؛ همچنین بین روش‌های شی‌ءگرا، الگوریتم ماشین بردار پشتیبان با ضریب کاپای 86 و دقت کلی 91 درصد خروجی دقیق‌تری نسبت‌به سایر الگوریتم‌های موردمطالعه داشته و کمترین دقت نیز مربوط به الگوریتم نزدیک‌ترین همسایه با ضریب کاپا 78 و دقت کلی 80 درصد بوده است. در خروجی فیوژن پهپاد با سنتینل -2، طبقه‌بندی با بهینه‌ترین الگوریتم بررسی‌شده، ماشین ‌بردار پشتیبان در روش شیءگرا انجام شد که نتایج نشان‌دهندۀ افزایش دقت طبقه‌بندی به ضریب کاپای 91 و دقت کلی 93 درصد بود؛ همچنین روش آستانه‌گزاری با ضریب کاپای ۹۰ درصد نشان‌دهندۀ بهترین نتیجه برای تشخیص فرسودگی آسفالت است. نتایج این پژوهش به‌منظور پایش وضعیت آسفالت‌ راه‌های شهری با هدف افزایش امنیت جاده‌ها و نیز پایداری شهرها و رفاه شهروندی برای سازمان‌های شهرداری‌ و راه‌سازی با صرف هزینه، زمان و نیروی انسانی کمتر مناسب است.

کلیدواژه‌ها

آسفالت؛ سنجش از دور؛ پهپاد؛ طبقه‌بندی؛ جاده‌

اصل مقاله

مقدمه

راه‌های ارتباطی جزو مهم‌ترین و اصلی‌ترین ساختارهای موجود در سطح یک شهر هستند؛ بنابراین پایش و نگهداری از شبکه‌های ارتباطی شهری و بین ‌شهری همواره جزو موارد پرکاربرد در حوزۀ عمران و مدیریت شهری است (Some, 2016). با در نظر گرفتن راهکارهایی به‌منظور پایش به‌موقع و همه‌جانبۀ آسفالت خیابان با استفاده از نقشه‌هایی برای تعیین میزان خرابی یا طبقه‌بندی روسازی‌ها، مدیریت بهتری به‌منظور اولویت‌دهی به تعمیرات یا نگهداری روسازی‌ها وجود دارد (Cubero-Fernandez et al., 2017). این مسئله نیازمند صرف هزینه‌های بسیاری برای به دست آوردن اطلاعات موردنیاز آسیب‌های آسفالت و همچنین زمان زیادی است که به‌نوبۀ خود موجب کندشدن زمان رسیدگی به مسیرها می‌شود (Koch et al., 2015). آسفالت‌هایی که در معرض ترافیک و شرایط جوی متفاوت قرار دارند، دچار فرسایش می‌شوند و از بین می‌روند (Aksoy et al., 2005). آسیب‌های موجود در آسفالت خیابان باعث ایجاد مشکلاتی ازجمله آسیب به اتومبیل‌های در حال حرکت، ایجاد نویز، آسیب‌های جدی‌تر روسازی در آینده، هزینه‌های بیشتر برای ترمیم آن و مشکلاتی از این قبیل می‌شوند. در این راستا، باید به‌منظور کنترل کیفیت و تعمیر و نگهداری از راه‌ها در هر یک از سطوح مقدار زیادی پول و زمان صرف کرد (Zhang et al., 2015).

یکی از روش‌های کنترل آسیب‌های مربوط به آسفالت، بهره‌گیری از تکنیک های مبتنی بر روش‌های سنجش از دور و استفاده ازتصاویر پهپادی و ماهواره‌ای است (Cubero-Fernandez et al., 2017) که علاوه بر جامعیت و دقت زیاد، بسیار کم‌هزینه و البته سریع است و در مقایسه با روش‌های قدیمی که بررسی سطح راه‌ها از سوی کارگران و کارشناسان فنی و به‌صورت حضور در محل و بازدید میدانی صورت می‌گرفت، ازلحاظ زمانی و مالی بسیار مقرون‌به‌صرفه‌تر است (Zhang et al., 2015). در چند سال گذشته، تکنیک‌های هوابرد سنجش ‌از دور به دلیل وسعت تحت پوشش زیاد، بیشتر موردتوجه پژوهشگران قرار گرفته است (Mansourmoghaddam, et al., 2022). البته این روش خود ایراداتی دارد که از آن جمله ضرورت دارابودن دقت مکانی زیاد برای تشخیص ترک‌ها نام برده می‌شود (Guo, 2010). پیشرفت‌های اخیر سنجش از راه دور، به‌طور مؤثر جمع‌آوری تصاویر را با وضوح زیاد (محدودۀ کمتر از 10 سانتی‌متر) و تصاویر هوایی رنگ طبیعی را با هزینۀ کم ممکن کرده که این مورد بسته به نوع و ارتفاع پرواز سکوهای پهپادی، دقت‌های مکانی متفاوتی دارد (تقی پور و همکاران، 1397).

پهپادها به دلیل ارتفاع پرواز قابل‌کنترل برای پایش معابر بسیار مناسب هستند؛ زیرا به دلیل بالارفتن قدرت تفکیک مکانی اندازۀ پیکسل‌های موجود در تصاویر تا حد زیادی کاهش داده می‌شود و به یک جزء از چندین جزء موجود در یک پیکسل می‌رسد که در ارائۀ نتایج بسیار دقیق‌تر و مناسب‌تر خواهد بود (Sankarasrinivasan et al., 2015). برای رسیدگی به معابر نیاز به تصاویری است که نشان‌دهندۀ بهترین قدرت تفکیک مکانی لازم برای شناسایی نوع و اطلاعات مکانی دقیقی از محل آسیب‌دیدگی معابر باشد و با تولید نقشه‌های مشخص و دقیق به‌سادگی انواع آسیب‌ها و مکان آنها را جست‌وجو کند (Kim et al., 2015). از طرفی، تقسیم‌بندی آسفالت‌ها بین طبقات مختلف، روند رسیدگی به خیابان‌ها را سرعت می‌بخشد (Zhang, 2008). در فرسودگی آسفالت، میزان انعکاس بیشتر و بیان می‌شود که ویژگی جذب یا انعکاس امواج با تغییر از فاز مواد هیدروکربن (مانند آسفالت تازه و سالم) به فاز مواد معدنی (کم شدن مواد روغنی و قیری آسفالت) تغییر پیدا می‌کند (Mettas et al., 2015). علاوه بر آن، در زمان‌هایی که امکان دسترسی به تصاویر پهپادی در شرایط خاصی وجود ندارد یا هدف بررسی و استفاده از قدرت تفکیک طیفی است و چون زیادکردن قدرت تفکیک طیفی پهپادها نیازمند حسگرهای دقیق و پرهزینه‌ای است، در چنین شرایطی با تلفیق تصاویر ماهواره‌ای و پهپادی از قدرت تفکیک مکانی بالای پهپاد و قدرت تفکیک طیفی ماهواره‌ها بهره برده می‌شود (Zhao et al., 2019).

پایش وضعیت آسفالت از راه دور برای اولین بار در سال 1980، با نصب سنسورهای الکترونیکی روی ماشین‌ها انجام شد که دارای فیلم‌برداری دیجیتال، عکس‌برداری و سنسورهای لیزری بودند (COX et al., 1986). هوانگ[1] و نگوین[2] (2019)، در پژوهشی اقدام به ایجاد یک مدل خودکار از سوی تکنیک‌های پردازش تصویر با استفاده از تصاویر پهپادی و الگوریتم یادگیری ماشین نظیر جنگل تصادفی، ماشین بردار پشتیبان و شبکۀ عصبی برای طبقه‌بندی کردند که نتایج نشان‌دهندۀ آن بود که ماشین بردار پشتیبان به بیشترین میزان دقت طبقه‌بندی یعنی 5/87 درصد و پس ‌از آن شبکۀ عصبی مصنوعی با 25/84 درصد و جنگل تصادفی با70 درصد دست ‌یافت (Hoang & Nguyen, 2019). لی[3] و همکاران (2019) با هدف آشکارسازی مشکلات آسفالت به‌وسیلۀ داده‌های پهپادی و لیدار و همچنین طبقه‌بندی جنگل تصادفی اقدام به تشخیص آسیب‌های آسفالت کردند که نتیجۀ آن با ضریب کاپا ۹۲ درصد برای ویژگی‌های مطرح‌شده در پژوهش مناسب بودند که شامل درز، ترک و آسیب‌دیدگی سطحی هستند (Li et al., 2019). یفان پن و همکاران (2018) نیز با هدف تشخیص آسیب‌دیدگی آسفالت به‌وسیلۀ تصاویر پهپادی با استفاده از تصاویر چند طیفی پهپادی و شبکۀ مصنوعی و ماشین لرنینگ برای طبقه‌بندی تصاویر استفاده کردند که نتیجۀ آن اثبات کارایی زیاد روش‌های سنجش ‌از دور و تصاویر پهپادی برای آشکارسازی آسیب‌دیدگی‌های آسفالت بود (Pan et al., 2018). عامری و همکاران (۱۳۹۷) با هدف استخراج ترک جاده‌های بین‌شهری به کمک تصاویر پهپادی با روش پیشنهادی شامل شش مرحلۀ تولید تصاویر، جداکردن جاده از محیط اطراف، شناسایی و حذف عوامل مزاحم، پیش‌پردازش تصاویر، ترکیب فیلترهای مورفولوژی همراه با ویژگی‌های به هم‌پیوستگی عوارض و انتخاب کاندید ترک‌ها، اعمال کلاسه‌بندی ماشین بردار پشتیبان و درنهایت، بازبینی نهایی تصویر و ارائۀ نقشۀ ترک اقدام به تشخیص آسیب‌های موجود در آسفالت کردند که نتایج حاصل از پیاده‌سازی روش پیشنهادی نشان‌دهندۀ موفقیت ۳۱/۹۸ درصدی در استخراج ترک‌ها بود.

راه‌های ارتباطی جزو مهم‌ترین و اصلی‌ترین ساختارهای موجود در سطح یک شهر هستند (Some, 2016)؛ همچنین ایمنی راه‌ها تا حد زیادی وابسته به سلامت جاده‌هاست (Cubero-Fernandez et al., 2017). از طرفی، ساخت‌وساز و تعمیر و نگهداری زیرساخت‌های حمل‌ونقل نیازمند مقادیر بسیار زیادی از مصرف مواد، انرژی ورودی و سرمایه‌گذاری است و از این رو، این عوامل از علل ایجاد موانع جالب‌توجهی در ایجاد توسعۀ پایدار به شمار می‌آیند (معرفی et al., 1395). در گذشته پیشینۀ کنترل وضعیت راه توسط کارشناسانی انجام می‌شده است که با حضور در محل آسیب‌دیدگی، دربارۀ شرایط آسفالت تصمیم‌گیری می‌کردند (Kim et al., 2006)؛ اما از آنجا که روش‌های سنتی موجب صرف هزینه‌های سرسام‌آور گاهی تا 67 بیلیون دلار در سال و همچنین زمان‌برشدن و کندی روند رسیدگی به آسیب‌های سطحی می‌شود (Koch et al., 2015)، استفاده از روش‌های سنجش از دور و تصاویر پهپادی و ماهواره‌ای با قدرت تفکیک مکانی زیاد سبب کاهش هزینه و زمان و تسهیل پایش وضعیت راه‌ها می‌شود؛ بنابراین در پژوهش پیش رو سعی بر این شد تا با استفاده از سنجش از دور و تصاویر پهپادی و ماهواره‌‌ای با امکان‌سنجی و نیز یافتن روشی بهینه ازنظر تکنیکی و زمانی و مالی، آسیب‌های مربوط به آسفالت خیابان‌ها بررسی شود تا با صرف هزینه و زمان کمتر و دقت بیشتر به تحلیل آسیب‌ها در خیابان‌های شهری و علل و عوامل آن توجه و به این شکل روند رسیدگی به معابر سریع شود.

مواد و روش‌‌شناسی پژوهش

منطقۀ موردمطالعه

شهر یزد، مرکز استان و شهرستان یزد است که جزو ۱۸ کلان‌شهر ایران محسوب می‌شود و در مجاورت کویر مرکزی ایران قرار گرفته است. شهر یزد در مرکز استان یزد قرار دارد و در محدودۀ 54 درجه و 18 دقیقه تا 54 درجه و 24 دقیقۀ طول شرقی و 31 درجه و 40 دقیقه تا 31 درجه و 5۶ دقیقه عرض شمالی واقع ‌شده است. این شهر مساحتی برابر با 110 کیلومترمربع دارد (منصور مقدم و همکاران، 1400الف) که پژوهش پیش رو در محدوده‌ای از شهر یزد با مساحت 6999 مترمربع انجام شده است. از مجموع 6/287 کیلومتر راه استان یزد، 7/139 کیلومتر راه بین شهری است که از این مقدار، 5/96 کیلومتر را بزرگراه، 1/26 کیلومتر را راه اصلی و 1/17 کیلومتر را راه فرعی تشکیل داده است (مرکز آمار ایران، 1399).

شکل (1) نقشۀ شهر یزد به‌همراه موقعیت منطقۀ موردمطالعه

Figure (1) Map of Yazd city with the location of the studied area

داده‌های استفاده‌شده

در پژوهش حاضر از تصاویر پهپادی (RGB) برداشت‌شده از معابر شهر یزد با قدرت تفکیک ۵ سانتی‌متری استفاده شد؛ همچنین از تلفیق تصاویر پهپادی با ماهواره‌ای سنتینل-2 سنسور MSI[4] (جدول 1) برای آشکارسازی آسیب‌های روسازی آسفالت خیابان‌ها (ترک‌خوردگی، شیارشدگی و چاله‌های موجود در آن) و طبقه‌بندی براساس طول عمر استفاده شد.

جدول (1) مشخصات تصاویر سنتینل -2 استفاده‌شده در پژوهش پیش رو

Table (1) Characteristics of Sentinel-2 images used in the upcoming research

باند	قدرت تفکیک مکانی (متر)	طول‌موج (نانومتر)	باند	قدرت تفکیک مکانی (متر)	طول‌موج (نانومتر)
۲	۱۰	۴۹۰	۶	۲۰	۷۴۰
۳	۱۰	۵۶۰	۷	۲۰	۷۸۳
۴	۱۰	۶۶۵	۸	۱۰	۸۴۲
۵	۲۰	۷۰۵

روش‌شناسی پژوهش

در پژوهش پیش رو ابتدا با استفاده از تکنیک‌های طبقه‌بندی نظارت‌شده در نرم‌افزار انوی[5] و شیء‌گرا در نرم‌افزار ایکاگنیشن[6] بهترین روش برای تشخیص و جداسازی ترک و آسفالت انجام گرفت. سپس با ادغام تصاویر پهپادی با ماهواره‌ای سنتینل -2 و پهپادی و اجرای بهترین الگوریتم طبقه‌بندی به‌دست‌آمده از ارزیابی دقت مرحلۀ پیشین، اقدام به طبقه‌بندی مجدد تصویر برای تفکیک آسفالت از ترک شد. در پژوهش حاضر به‌منظور بررسی عمر آسفالت با توجه به منحنی پروفایل طیفی موجود برای آسفالت و رسم پروفایل طیفی برای محدودۀ موردبررسی از دو روش طبقه‌بندی و حد آستانه استفاده شد. برای تفکیک خیابان در تصاویر پهپادی، ماهواره‌ای و تلفیق آنها انواع تکنیک‌های طبقه‌بندی (شی‌ءگرا و پیکسل مبنا) اعمال شده است تا بهینه‌ترین روش برای تفکیک به دست بیاید. سپس با آن خیابان از دیگر عناصر موجود در محیط تمایز خواهد یافت.

تفکیک آسفالت از ترک

در پژوهش حاضر، به‌منظور شناسایی و استخراج درزها و ترک‌ها انواع روش‌های طبقه‌بندی شامل طبقه‌بندی‌های نظارت‌شده، نظارت‌نشده و شی‌ءگرا روی تصاویر پهپادی و ماهواره‌ای و تلفیق آنها اعمال شد تا پس از تشخیص مناسب‌ترین روش طبقه‌بندی، با بررسی نتایج خروجی و بررسی هر یک از آنها بهترین روش طبقه‌بندی تفکیک آسفالت از ترک انتخاب شود.

روش‌های طبقه‌بندی نظارت‌شده

طبقه‌بندی نظارت‌شده جزو طبقه‌بندی‌های پیکسل مبنا بوده و انتخاب داده‌های آموزشی و پوشش‌های مختلف برای طبقه‌بندی ضروری است. در طبقه‌بندی نظارت‌شده تحلیلگر پیکسل‌های مربوطه را انتخاب کرده است. سپس با توجه به ویژگی‌ها پیکسل انتخابی طبقه‌بندی شکل می‌گیرد (Jog & Dixit, 2016). به‌منظور پیاده‌سازی الگوریتم‌های نظارت‌شده در پژوهش حاضر، برای هر کلاس، بالغ بر 500 نمونۀ آموزشی انتخاب شده است که 150 نمونه از بازدید حضوری و 50 نمونه از تصویر براساس تجربۀ کاربر برای اعتبارسنجی و 300 نمونه از تصویر به‌منظور ورودی الگوریتم انتخاب شد.

نزدیک‌ترین همسایه (K Nearest Neighbors)

الگوریتم نزدیک‌ترین همسایه (KNN) در سال 1997 از سوی آها[7] و همکارانش ارائه شده است (Wettschereck et al., 1997) و از این نظر الگوریتم ساده‌ای است که از هیستوگرام شاخص‌های طیفی مجزا و نمونه‌های آموزشی استفاده می‌کند. از معایب این روش، این است که در برخی نواحی تصویر، پیکسل‌ها طبقه‌بندی نشده‌اند یا برخی از آنها در یک کلاس قرار می‌گیرند و با یکدیگر هم‌پوشانی دارند (Alimjan et al., 2018). به‌منظور ارزیابی عملکرد این الگوریتم روی تصاویر پهپادی با هدف تفکیک آسفالت از ترک، این روش طبقه‌بندی در محیط انوی[8] پیاده‌سازی شد.

شبکۀ عصبی مصنوعی (Artificial Neural Network)

شبکه‌های عصبی مصنوعی (ANN) شبیه‌سازی‌های الهام‌گرفته از متغیرهای آزمایشی هستند که برای انجام وظایف خاص مانند تشخیص الگو، خوشه‌بندی، طبقه‌بندی و غیره انجام می‌شوند. هر پارامتر که گاهی به‌عنوان نورون نیز شناخته می‌شود، تابعی است که پس از دریافت یک یا چند ورودی، خروجی تولید می‌کند. سپس خروجی به لایۀ بعدی نورون‌ها منتقل می‌شود و خروجی‌های بیشتری تولید می‌کند. خروجی‌ها به لایۀ بعدی نورون‌ها منتقل می‌شوند و به همین ترتیب ادامه می‌یابند تا زمانی که هر لایۀ نورون در نظر گرفته شود و نورون‌های انتهایی ورودی خود را دریافت کنند (Atkinson, 1997). برای طبقه‌بندی تصویر با روش ANN در پژوهش حاضر، از الگوریتم پیاده‌سازی شده در نرم‌افزار انوی استفاده شد.

الگوریتم یادگیری ماشین (Support Vector Machine)

ماشین بردار پشتیبان (SVM) روش طبقه‌بندی نظارت‌شده است که از تئوری یادگیری آماری مشتق شده است و اغلب نتایج طبقه‌بندی خوبی را از داده‌های پیچیده به دست می‌دهد. این الگوریتم با در نظر گرفتن مرزی بین داده‌ها کلاس‌ها را ایجاد می‌کند (Vapnik, 1999). عملکرد اساسی این الگوریتم یافتن یک ابر صفحۀ بهینه به‌منظور سطح تصمیم‌گیری به روشی است که حاشیۀ (مرز) بین دو کلاس را بیشینه کند. در صورتی که داده‌ها به‌صورت خطی جداپذیر نباشند، داده‌ها با کرنلی غیر خطی به فضایی با ابعاد بیشتر برده می‌شوند تا در آنجا ابر صفحه‌ای بهینه تشکیل شود. (Bekkari et al., 2012).

بیشترین احتمال (Maximum Likelihood)

در طبقه‌بندی حداکثر احتمال (ML) از ارزیابی واریانس و کوواریانس کلاس‌ها استفاده می‌شود و فرض بر آن است که داده‌ها برای هر کلاس در هر باند به‌طور نرمال توزیع شده است. به این ترتیب، احتمال تعلق پیکسل معین به کلاس خاص محاسبه می‌شود. در این روش، که الگوریتم پیاده‌سازی‌شدۀ آن در نرم‌افزار انوی مورداستفادۀ پژوهش حاضر قرار گرفت، هر پیکسل به کلاسی اختصاص داده می‌شود که بیشترین احتمال تعلق را به آن کلاس دارد (Richards & Richards, 1999).

کمترین فاصله (Minimum Distance)

الگوریتم کمترین فاصله (MD) در مرحلۀ اول میانگین همۀ طبقات را که با استفاده از روش تعیین نقاط تعلیمی تفکیک شده‌اند و سپس فاصلۀ اقلیدسی بین بازتاب هر پیکسل را از میانگین تمام طبقه‌ها محاسبه می‌کند. در این روش هر پیکسل به طبقاتی تعلق دارد که کمترین مقدار فاصله را تا میانگین آن کلاس داشته باشد. الگوریتم کمترین فاصله ازنظر ریاضی پیچیده نبوده و ازنظر محاسباتی نیز مناسب است (علیزاده ربیعی، 1372). به‌منظور اعمال این الگوریتم بر تصاویر پژوهش حاضر، از نرم‌افزار انوی استفاده شد.

طبقه‌بندی شی‌ء‌گرا (Object Base Image Analysis)

طبقه‌بندی شیء‌گرا (OBIA) به‌منظور تشخیص بهتر الگوی طبقه‌بندی، از الگوی شبیه به الگوی تشخیص انسان برای بهبود عملکرد طبقه‌بندی استفاده می‌کند (Blaschke, 2010). روش شی‌ء‌گرا اطلاعات بهتر و دقیق‌تری را نسبت به روش‌های پایه ارائه می‌دهد (Blaschke et al., 2014).

طبقه‌بندی‌کنندۀ جنگل تصادفی (Random Forest)

الگوریتم طبقه‌بندی جنگل تصادفی (RF) یک طبقه‌کنندۀ گروهی است و به‌صورت مجموعه‌ای از درختان طبقه‌بندی‌کنندۀ متفاوت عمل می‌کند (Breiman, 1996). در این روش، طبقه‌بندی‌کننده مجموعه‌ای است که درخت‌های تصمیم‌گیری متعددی را با استفاده از زیرمجموعه‌ای از نمونه‌های آموزشی و متغیرهای انتخاب‌شده به‌طور تصادفی تولید می‌کند. جنگل‌ تصادفی یک الگوریتم یادگیری ماشینی نظارت‌شده است که به‌طور گسترده در مسائل رگرسیون و طبقه‌بندی استفاده می‌شود (Belgiu & Drăguţ, 2016).

درخت تصمیم‌گیری (Decision Tree)

الگوریتم درخت تصمیم‌گیری (DT) رویکردی شیء‌گرا در طبقه‌بندی تصاویر ماهواره‌ای است که در آن به فرض خاصی در توزیع داده‌های ورودی نیاز نبوده و این مهم‌ترین تفاوت الگوریتم DT با الگوریتم‌های پارامتریک و انتخابی است (Safavian & Landgrebe, 1991). این رویکرد از یک گره یعنی کل داده‌ها و گره میانی یعنی شاخه‌ها و گره پایانی یعنی برگ تشکیل شده است؛ بنابراین هر عارضه به‌صورت طبقه‌ای گروه‌بندی می‌شود تا به گره پایانی برسد که تعلق نهایی به یک کلاس است (Pal & Mather, 2001).

الگوریتم بیز (Bayes)

یک شبکۀ بیزی در بیانی ساده نمایشی از واکنش‌های متقابل متغیرهایی است که باید طبق یک الگو پیش بروند. علاوه بر آن، کیفیت و کمیت بین الگوها را نیز در طبقه‌بندی دخیل می‌کند. با استفاده از قضیۀ بیز و توجه به رخداد B، احتمال وقوع A پیدا می‌شود که در این صورت B مدرک و A فرضیه است. فرضی که در این الگوریتم مطرح است، این است که پیش‌بینی‌کننده‌هاd ویژگی‌های مستقل هستند؛ یعنی وجود یک ویژگی خاص بر دیگری تأثیر نمی‌گذارد (Kingston et al., 2005).

ادغام تصاویر (Fusion)

ادغام تصاویر سنجش از دور با هدف ادغام اطلاعات به‌دست‌آمده با قدرت تفکیک‌های مختلف مکانی، طیفی و زمانی از سنجنده‌های نصب‌شده در ماهواره‌ها، سیستم‌های هوابرد و سنجنده‌های مبتنی بر پایگاه زمینی انجام می‌پذیرد. هدف از این کار، تولید داده‌های جدیدی که حاوی اطلاعات دقیق‌تری از چیزی است، در هر یک از منابع داده‌های منفرد بوده است (Aiazzi et al., 2007). در پژوهش حاضر، برای حصول نتیجۀ بهتر به‌منظور طبقه‌بندی، از تلفیق تصاویر سنتینل -2 و پهپادی استفاده شد. به این ترتیب که با داشتن باند RGB پهپاد و 7 باند از ماهوارۀ سنتینل با استفاده از الگوریتم گرام اشمیت[9] ادغام صورت گرفت. در این ادغام باند آبی و قرمز و سبز پهپاد با باندهای متناظر در سنتینل -2 ترکیب شد؛ همچنین برای افزایش هرچه بیشتر قدرت رادیومتریکی، باندهای 5 تا 8 سنتینل -2 نیز به دلیل نزدیکی طول موج، با باند قرمز پهپاد ادغام شد. برتری الگوریتم گرام اشمیت در آن است که خصوصیات تصویر چند طیفی را با قدرت تفکیک مکانی کم در ترکیب با تصویر حاصل از ادغام آن با داده‌هایی با قدرت تفکیک مکانی زیاد حفظ می‌کند (Gonzalez-Audicana et al., 2003; Mansourmoghaddam et al., 2022).

تفکیک آسفالت فرسوده (عمر آسفالت)

برای طول عمر روسازی‌ها با مطالعۀ منابع موجود (کتابخانه‌های طیفی موجود در کتب و سایت‌های معتبر)، استخراج منحنی‌های طیف‌های به‌دست‌آمده از تصاویر پهپادی و ماهواره‌ای، تشکیل منحنی طیفی محدودۀ بررسی و مقایسه با یکدیگر با توجه به اینکه روسازی‌ها با گذشت زمان دچار تغییرات فیزیکی می‌شوند، به عمر روسازی‌ها پی برده می‌شود (Hartgen et al., 2014)؛ از این رو، به‌منظور طبقه‌بندی و تفکیک آسفالت با طول عمر متفاوت، از دو روش طبقه‌بندی و حد آستانه استفاده شد. در روش طبقه‌بندی از دقیق‌ترین روش یافت‌شده بین روش‌های موردمطالعۀ این پژوهش استفاده شد.

حد آستانه

در این روش طبقه‌بندی، از تکنیک‌های آستانه‌گذاری و برش هیستوگرام استفاده می‌شود. برای طبقه‌بندی به‌صورت مستقیم از خود تصویر استفاده می‌شود. در غیر این صورت با تکنیک‌های پیش و پس پردازش نیز ترکیب می‌شود.

در پژوهش حاضر، ابتدا پروفایل طیفی نقاط مختلف آسفالت ترسیم شد. سپس با مقایسه با کتابخانه‌های طیفی موجود مانند شکل (2) تحلیل و با استفاده از طبقه‌بندی براساس حد آستانه دسته‌بندی شد. به‌منظور طبقه‌بندی، از باندهای طیفی طبقات تصویر موردبررسی استفاده و با توجه به طبقات موجود در تصویر، هر باند به‌منظور طبقه‌بندی کلاس مربوطه به کار برده شد. بعد طبقات اضافی حذف شد تا پوشش آسفالت باقی بماند؛ همان‌طور که در شکل (2) مشاهده می‌شود، هر پوشش دارای منحنی رفتار طیفی منحصربه‌فردی است که با دیگر پوشش‌ها در باندهای مختلف متفاوت است؛ به‌طور مثال، باند مادون قرمز و قرمز برای تشخیص پوشش گیاهی مناسب بوده و باند مادون قرمز و ناحیۀ مرئی برای تشخیص پوشش‌های شهری مناسب است. با توجه به منحنی رفتار طیفی دو نوع آسفالت نمونه‌گیری‌شده و تعیین کمترین و بیشترین مقدار برای طبقه‌بندی با استفاده از حد آستانۀ طبقه‌بندی شد.

شکل (2) منحنی درصد بازتاب طیفی برخی مواد در مناطق شهری (علوی‌پناه، 1382)

Figure (2) Spectral reflection percentage curves of some materials in urban areas (Alavi-Panah, 2013)

نتایج

طبقه‌بندی با روش‌های نظارت‌شده

براساس نتایج به‌دست‌آمده از طبقه‌بندی با روش‌های نظارت‌شده، روش نزدیک‌ترین فاصله با 9/1365 مترمربع بیشترین و بیشترین شباهت با 2/1891 مترمربع کمترین مساحت را در کلاس آسفالت خروجی داده‌اند. این مقدار در کلاس ترک‌های آسفالت در روش نزدیک‌ترین فاصله با 7/553 مترمربع بیشترین و در روش نزدیک‌ترین همسایه با 5/71 مترمربع کمترین بوده است. این در حالی است که خروجی‌های مساحت دو روش ماشین بردار پشتیبان به‌ترتیب 3/1693 و 5/87 مترمربع برای دو کلاس آسفالت و ترک و شبکۀ عصبی مصنوعی به‌ترتیب 9/1615 و 86 مترمربع برای این دو کلاس مذکور، نزدیک‌ترین مقادیر نسبت‌به هم هستند (جدول 2).

جدول (2) مساحت‌های هر کلاس در طبقه بندی‌های مختلف با روش نظارت‌شده (مترمربع)

Table (2) The areas of each class in different classifications with the supervised method (m²)

کلاس	نزدیک‌ترین فاصله	بیشترین شباهت	نزدیک‌ترین همسایه	شبکۀ عصبی مصنوعی	ماشین بردار پشتیبان
آسفالت	9/1365	7/1211	2/1891	9/1615	3/1693
ترک	7/553	7/460	5/71	86	5/87

نتایج حاصل از ارزیابی دقت طبقه‌بندی به این روش‌ها حاکی از آن است که روش ماشین بردار پشتیبان با ضریب کاپای 87 و دقت کلی 90 درصد بیشترین (جدول ۵ و شکل ۵) و روش کمترین فاصله با ضریب کاپا و دقت کلی به‌ترتیب 57 و 67 (جدول۷ و شکل۷) کمترین دقت را در طبقه‌بندی دارد. روش شبکۀ عصبی مصنوعی که نزدیک‌ترین مقادیر مساحت به روش ماشین بردار پشتیبان را داشته است نیز با ضریب کاپا و دقت کلی به‌ترتیب 85 و 89 در رتبۀ دومین و دقیق‌ترین روش جای گرفته است (جدول ۴ و شکل ۴). دو روش بیشترین شباهت و نزدیک‌ترین همسایه نیز با ضریب کاپا و دقت کلی به‌ترتیب 81 و 85 (جدول ۶ و شکل ۶) و 72 و 79 (جدول ۳ و شکل ۳) به‌ترتیب در رتبۀ سوم و چهارم ازنظر دقت الگوریتم‌های بررسی‌شده قرار گرفتند.

جدول (3) نتایج طبقه‌بندی نزدیک‌ترین همسایه (درصد)

Table (3) Nearest neighbor classification results (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
79	72	6/98	1/86	آسفالت
79	72	6/43	4/59	ترک

شکل (3) طبقه‌بندی نزدیک‌ترین همسایه

Figure (3) Nearest neighbor classification

جدول (4) نتایج طبقه‌بندی شبکۀ عصبی (درصد)

Table (4) Neural network classification results (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
89	85	7/98	3/90	آسفالت
89	85	4/31	6/60	ترک

شکل (4) طبقه‌بندی شبکۀ عصبی مصنوعی (Neoral Net)

Figure (4) Classification of artificial neural network (Neoral Net)

جدول (5) نتایج طبقه‌بندی الگوریتم ماشین بردار پشتیبان (درصد)

Table (5) Classification results of support vector machine algorithm (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
90	87	9/99	4/94	آسفالت
90	87	88	7/91	ترک

شکل (5) طبقه‌بندی الگوریتم ماشین بردار پشتیبان

Figure (5) Support vector machine algorithm classification

جدول (6) نتایج طبقه‌بندی بیشترین شباهت (درصد)

Table (6) Classification results of the Maximum Likelihoo (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
85	81	9/71	7/94	آسفالت
85	81	8/86	2/30	ترک

شکل (6) طبقه‌بندی بیشترین شباهت

Figure (6) Maximum Likelihoo classification

جدول (7) نتایج طبقه‌بندی کمترین فاصله (درصد)

Table (7) Classification results of the Minimom distance (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
67	57	8/73	88	آسفالت
67	57	9/82	8/25	ترک

شکل (7) طبقه‌بندی کمترین فاصله

Figure (7) Minimom distance classification

طبقه‌بندی با روش‌های شیء‌گرا

نتایج حاصل از طبقه‌بندی آسفالت و ترک با روش‌های شیءگرا نشان‌دهندۀ آن است که الگوریتم‌های این روش نسبت‌به الگوریتم‌های روش نظارت‌شده نتایج نزدیک به‌هم‌ تری از خود نشان داده‌اند. به این ترتیب، روش ماشین بردار پشتیبان و نزدیک‌ترین همسایه به‌طور مشترک با 3/1489 مترمربع بیشترین و روش بیز با 4/1240 مترمربع کمترین مساحت آسفالت را طبقه‌بندی کرده است. این در حالی است که کمترین میزان ترک با 6/150 مترمربع مربوط به دو الگوریتم ماشین بردار پشتیبان و نزدیک‌ترین همسایه و بیشترین آن برای روش بیز با 1/366 مترمربع بوده است (جدول ۸).

جدول (8) مساحت کلاس‌های طبقه‌بندی‌شده در طبقه‌بندی شیء‌گرا

Table (8) Area of classified classes in object-oriented classification

	بیز	درخت تصمیم‌گیری	تصادفی جنگل	نزدیک‌ترین همسایه	ماشین بردار پشتیبان
آسفالت	4/1240	2/1301	3/1314	3/1489	3/1489
ترک	1/366	7/312	6/318	6/150	6/150

نتایج ارزیابی دقت الگوریتم‌های استفاده‌شده در روش شیء‌گرا نشان‌دهندۀ آن است که در این روش نیز الگوریتم ماشین بردار پشتیبان با ضریب کاپای 86 و دقت کلی 91 خروجی دقیق‌تری نسبت‌به سایر الگوریتم‌های موردمطالعه داشته است (جدول 10 و شکل 7). کمترین دقت بین الگوریتم‌های موردبررسی مربوط به الگوریتم نزدیک‌ترین همسایه با ضریب کاپا و دقت کلی به‌ترتیب 78 و 80 بوده است (جدول ۱۰ و شکل ۹). در همین حال، الگوریتم‌های درخت تصمیم‌گیری (جدول ۱۲ و شکل 1۱) و جنگل تصادفی (جدول ۱۱ و شکل ۱۰) با نتایج مشابه در ضریب کاپا و دقت کلی به‌ترتیب 80 و 87 درصد، به‌صورت مشترک در رتبۀ دوم دقت قرار گرفته‌اند. الگوریتم بیز نیز با ضریب کاپا و دقت کلی به‌ترتیب 79 و 86 درصد در رتبۀ سوم دقت قرار گرفت (جدول ۱۳ و شکل ۱۲).

جدول (9) نتایج طبقه‌بندی الگوریتم ماشین‌ بردار پشتیبان (درصد)

Table (9) Support vector machine algorithm classification results (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
91	86	5/76	2/97	آسفالت
91	86	5/73	9/57	ترک

شکل (8) طبقه بندی شیء‌گرا الگوریتم ماشین بردار پشتیبان

Figure (8) Object-oriented classification of support vector machine algorithm

جدول (10) نتایج طبقه‌بندی الگوریتم نزدیک‌ترین همسایه (درصد)

Table (10) Classification results of the nearest neighbor algorithm (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
80	78	6/78	1/96	آسفالت
80	78	6/83	4/49	ترک

شکل (9) طبقه‌بندی شیء‌گرا نزدیک‌ترین همسایه

Figure (9) Nearest neighbor object-oriented classificatio

جدول (11) نتایج طبقه‌بندی شیء‌گرا جنگل تصادفی (درصد)

Table (11) Random forest object-oriented classification results (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
87	80	5/65	92	آسفالت
87	80	9/72	2/30	ترک

شکل (10) طبقه‌بندی شیء‌گرا جنگل تصادفی

Figure (10) Random forest object-oriented classification

جدول (12) نتایج طبقه‌بندی شیءگرا درخت تصمیم‌گیری (درصد)

Table (12) Object-oriented decision tree classification results (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
87	80	3/64	6/93	آسفالت
87	80	9/92	5/29	ترک

شکل (11) طبقه‌بندی شیء‌گرا درخت تصمیم‌گیری

Figure (11) Object-oriented classification of the decision tree

جدول (13) نتایج طبقه‌بندی شیء‌گرا بیز(درصد)

Table (13) Object-oriented Bayes classification results (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
86	79	7/56	2/95	آسفالت
86	79	3/61	2/15	ترک

شکل (12) طبقه‌بندی شیء‌گرا بیز

Figure (12) Object-oriented Bayes classification

نتایج حاصل از طبقه‌بندی روی تصویر فیوژن‌شده

به‌منظور افزایش دقت طبقه‌بندی حاصل از تصویر پهپاد با قدرت مکانی ۵ سانتی‌متری این تصویر با تصاویر سنتینل -2 با رزولوشن ۱۰ متری فیوژن شدند. خروجی حاصل از فیوژن تصویر با قدرت تفکیک مکانی بالای پهپاد و تفکیک طیفی تصاویر ماهواره‌ای نشان‌دهندۀ آن است که این تصویر با خطای جذر میانگین مربعات 30/0 ازنظر هندسی خروجی مناسبی داشته است (شکل 1۳).

(A)

(B)

شکل (13) مقایسۀ تصویر اصلی پهپاد (چپ) با خروجی فیوژن‌شده با تصویر سنتینل -2 (راست)

Figure (13) Comparison of the original UAV image (A) with the fusion output with the Sentinel-2 image (B)

سپس خروجی فیوژن پهپاد با بهینه‌ترین الگوریتم بررسی‌شده، ماشین‌ بردار پشتیبان در روش شیء‌گرا طبقه‌بندی شد. نتایج نشان‌دهندۀ آن بود که افزایش دقت طبقه‌بندی به ضریب کاپای 91 و دقت کلی 93 درصد بود (جدول 1۴ و شکل 1۴).

جدول (14) نتایج طبقه‌بندی شیء‌گرا ماشین بردار پشتیبان تصویر فیوژن‌شده (درصد)

Table (14) Results of object-oriented classification of fusion image support vector machine (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
93	91	9/99	8/95	آسفالت
93	91	4/88	6/95	ترک

شکل (14) طبقه‌بندی شیء‌گرا تصویر فیوژن‌شده

Figure (14) Object-oriented classification of the fusion image

پایش عمر آسفالت

در پژوهش حاضر به‌منظور طبقه‌بندی آسفالت براساس فرسودگی و عمر آن، از دو روش حد آستانه و طبقه‌بندی با بهینه‌ترین روش موردمطالعه استفاده شد. برای طبقه‌بندی عمر آسفالت با روش حد آستانه، ابتدا پروفایل طیفی دو نوع آسفالت در باند‌های طیفی تصویر فیوژن‌شده استخراج شد (شکل 1۵).

شکل (15) طبقه‌بندی حد آستانه

Figure (15) Threshold classification

نتایج طبقه‌بندی فرسودگی آسفالت (شکل 15) براساس حد آستانه طیفی نشان‌دهندۀ آن است که خروجی آن با ضریب کاپای 90 و دقت کلی 80 دقت مناسبی را ارائه داده است (جدول 1۵).

جدول (15) نتایج طبقه‌بندی با حد آستانه (درصد)

Table (15) Classification results with threshold (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
80	90	9/99	6/84	فرسودگی کمتر
80	90	6/72	9/99	فرسودگی بیشتر

شکل (16) طبقه‌بندی حدآستانه

Figure (16) Threshold classification

نتایج طبقه‌بندی عمر آسفالت براساس طبقه‌بندی با الگوریتم شیءگرای ماشین بردار پشتیبان (شکل 16) نشان‌دهندۀ دقت به‌نسبت پایین‌تر این طبقه‌بندی با ضریب کاپا و دقت کلی به‌ترتیب 51 و 72 درصد است (جدول 1۶).

جدول (16) نتایج طبقه‌بندی با طبقه‌بندی شئ‌گرا ماشین بردار پشتیبان (درصد)

Table 16- classification results with support vector machine object-oriented classification (percentage)

دقت کلی	ضریب کاپا	دقت تولیدکننده	دقت کاربر	کلاس
72	51	2/77	84	فرسودگی کمتر
72	51	2/66	6/97	فرسودگی بیشتر

شکل (17) طبقه‌بندی شیء‌گرا ماشین بردار پشتیبان

Figure (17) Object-oriented classification of support vector machine

جدول (17) مقایسۀ دقت کلی و کاپای طبقه‌بندی‌های انجام‌شده

Table (17) Comparison of the overall accuracy and kappa of the performed classifications

نوع طبقه‌بندی	انواع طبقه‌بندی	کلاس‌ها	دقت کاربر	دقت تولیدکننده	ضریب کاپا (درصد)	دقت کلی
طبقه‌بندی نظارت شده	الگوریتم نزدیک‌ترین همسایه	آسفالت	۱/۸۶	۶/۹۸	۷۲	۷۹
		ترک	۴/۵۹	۶/۴۳
	الگوریتم شبکه عصبی	آسفالت	۳/۹۰	۷/۹۸	۸۵	۸۹
		ترک	۶/۶۰	۴/۳۱
	الگوریتم ماشین بردار پشتیبان	آسفالت	۴/۹۴	۹/۹۹	۸۷	۹۰
		ترک	۷/۹۱	۸۸
	الگوریتم بیشترین شباهت	آسفالت	۷/۹۴	۹/۷۱	۸۱	۸۵
		ترک	۲/۳۰	۸/۸۶
	الگوریتم کمترین فاصله	آسفالت	۸۸	۸/۷۳	۵۷	۶۷
		ترک	۸/۲۵	۹/۸۲
طبقه‌بندی شیءگرا	الگوریتم ماشین بردار پشتیبان	آسفالت	۲/۹۷	۵/۷۶	۸۶	۹۱
		ترک	۹/۵۷	۵/۷۳
	الگوریتم نزدیک‌ترین همسایه	آسفالت	۱/۸۲	۶/۵۴	۷۸	۸۰
		ترک	۴/۲۱	۶/۶۵
	الگوریتم جنگل تصادفی	آسفالت	۹۲	۵/۶۵	۸۰	۸۷
		ترک	۲/۳۰	۹/۷۲
	الگوریتم درخت تصمیم‌گیری	آسفالت	۶/۹۳	۳/۶۴	۸۰	۸۹
		ترک	۵/۲۹	۹/۹۲
	الگوریتم بیز	آسفالت	۲/۹۵	۷/۵۶	۷۹	۸۶
		ترک	۲/۱۵	۳/۶۱
تصویر فیوژن‌شده	الگوریتم شیءگرای ماشین بردار پشتیبان	آسفالت	۸/۹۵	۹/۹۹	۹۱	۹۳
		ترک	۶/۹۵	۴/۸۸

با توجه به نتایج به‌دست‌آمده از (جدول ۱۷) نتایج نشان‌دهندۀ آن بود که روش‌های طبقه‌بندی نظارت‌شدۀ ماشین بردار پشتیبان با ضریب کاپای 87 و دقت کلی 90 درصد بیشترین و روش کمترین فاصله با ضریب کاپا و دقت کلی به‌ترتیب 57 و 67 درصد کمترین دقت را در طبقه‌بندی روش‌های نظارت‌شده از خود نشان دادند؛ همچنین بین روش‌های شیء‌گرا، الگوریتم ماشین بردار پشتیبان با ضریب کاپای 86 و دقت کلی 91 درصد خروجی دقیق‌تری نسبت‌به سایر الگوریتم‌های موردمطالعه داشت و کمترین دقت نیز مربوط به الگوریتم نزدیک‌ترین همسایه با ضریب کاپا 78 و دقت کلی 80 درصد بود. در خروجی فیوژن نتایج نشان‌دهندۀ افزایش دقت طبقه‌بندی به ضریب کاپای 91 و دقت کلی 93 درصد بود.

تحلیل نتایج

پژوهش حاضر با هدف امکان سنجی استفاده از تصاویر پهپادی به‌تنهایی و نیز ادغام آنها با تصاویر ماهواره‌ای به‌منظور پایش وضعیت آسفالت راه‌های درون‌شهری شهر یزد و همچنین یافتن بهینه‌ترین الگوریتم طبقه‌بندی این تصاویر به همین منظور با سه روش نظارت‌شده، شیء‌گرا و حد آستانه است. نتایج به‌دست‌آمده نشان‌دهندۀ آن است که طبقه‌بندی آسفالت شهری با استفاده از تصاویر سنجش ‌از دور در روش نظارت‌شده، الگوریتم ماشین بردار پشتیبان با دقت کلی 90 و ضریب کاپای 87 درصد بیشترین دقت را به دست داده است (جدول ۱۷). به‌طور مشابه، در بخش الگوریتم‌های شیء‌گرا نیز مجدد روش ماشین بردار پشتیبان با دقت کلی 91 و ضریب کاپای 86 بهترین دقت را حاصل داد. دقت بیشتر الگوریتم ماشین بردار پشتیبان به دلیل در نظر گرفتن مرز تصمیم‌گیری بهینه‌تر نسبت‌به سایر الگوریتم‌هاست (Huang et al., 2002). پژوهش‌هایی مشابه، دقت و کارایی بیشتر الگوریتم ماشین بردار پشتیبان را در طبقه‌بندی تصاویر به اثبات رسانده‌اند (مختاری و نجفی، 1394؛ فتحی زاد و همکاران، 1395؛ محمدی و هزارخانی، 1399)؛ همچنین روش کمترین فاصله کمترین دقت را بین همۀ الگوریتم‌های طبقه‌بندی به دست داد. نبودِ دقت الگوریتم کمترین فاصله در طبقه‌بندی راه‌ها پیش‌تر نیز در پژوهشی به اثبات رسید که از سوی لی[10] و همکاران انجام شده بود (Li et al., 2020). نتایج نشان‌دهندۀ آن بود که بهینه‌ترین الگوریتم موردبررسی پژوهش حاضر، یعنی ماشین بردار پشتیبان، در تصویر فیوژن‌شدۀ پهپاد با تصاویر ماهواره‌ای، موجب افزایش دقت کلی به 93 و ضریب کاپا به 91 درصد شد. این افزایش نشان‌دهندۀ نقش مؤثر فیوژن در افزایش دقت طبقه‌بندی است که به‌احتمال حاصل از ادغام قدرت رادیومتریکی بالاتر تصویر حاصل از سنتینل -2 به تصویر با قدرت تفکیک مکانی زیاد پهپاد است. منصور مقدم و همکاران نیز افزایش دقت طبقه‌بندی روی تصویر لندست -8 را پس از فیوژن با تصاویر با قدرت تفکیک مکانی بالاتر یعنی سنتینل -2 به اثبات رسانده‌اند (منصور مقدم و همکاران 1400ب)؛ همچنین نتایج این پژوهش نشان‌دهندۀ دقت بیشتر روش حد آستانه با دقت کلی 80 و ضریب کاپای 90 نسبت‌به طبقه‌بندی شیء‌گرای ماشین بردار پشتیبان در تفکیک آسفالت فرسوده از کمتر فرسوده است. بهره‌وری استفاده از روش حد آستانه برای تفکیک آسفالت به دو کلاس معین پیش‌تر نیز در پژوهش‌هایی که در همین زمینه انجام شده، به اثبات رسیده است (Amelian et al., 2014; Kim et al., 2012).

نتیجه‌گیری

براساس نتایج به‌دست‌آمده، در طبقه‌بندی نظارت‌شده روش الگوریتم ماشین بردار پشتیبان با روش شبکۀ عصبی مصنوعی نشان‌دهندۀ نتایج نزدیک به هم بود. الگوریتم ماشین بردار پشتیبان بیشترین دقت و روش کمترین فاصله کمترین نتیجه و دقت را در طبقه‌بندی از خود نشان دادند؛ اما در طبقه‌بندی شیء‌گرا نتایج حاکی از آن است که الگوریتم‌های این روش نتایج نزدیک‌تر به هم را نسبت‌به روش‌های نظارت‌شده نشان دادند. در بررسی دقت‌های حاصله از طبقه‌بندی روش‌های شیء‌گرا روش ماشین بردار پشتیبان خروجی به‌نسبت دقیق‌تری را نسبت‌به روش‌های دیگر داشته است. در فیوژن تصاویر پهپادی و ماهواره‌ای با استفاده از الگوریتم گرام–اشمیت نتیجۀ طبقه‌بندی با بهترین روش به‌دست‌آمده از مرحلۀ پیشین که روش ماشین بردار پشتیبان در روش‌های شیء‌گراست، نشان‌دهندۀ آن است که دقت افزایش یافته و طبقه‌بندی روی تصویر فیوژن‌شده بین تمامی روش‌های طبقه‌بندی بیشترین دقت را داشته است؛ همچنین نتایج بررسی فرسودگی آسفالت و طول عمر آن در دو روش طبقه‌بندی و حد آستانه‌گذاری نشان‌دهندۀ آن بود که روش حد آستانه با دقت بیشتر و بهتری نسبت‌به روش طبقه‌بندی عملکرده است. با توجه به اینکه سلامت آسفالت بر اتومبیل‌ها و ایجاد نویز کمتر تأثیر بسزایی داشته است و همچنین اثرات زیست‌محیطی کمتری را دارد، با علم به اینکه با استفاده از داده‌های سنجش ‌از دور می‌توان سریع‌تر و با صرف هزینۀ کمتری برای پایش حفظ و نگهداری و رفع مشکلات روسازی‌ها اقدام کرد، در مدت‌زمان کوتاه‌تری برای پایداری محیط و توسعۀ پایدار آن نقش بسزایی دارد.

[1]. Hoang

[2]. Nguyen

[3]. Li

[4]. Multispectral Instrument

[5]. Envi

[6]. eCognition

[7]. Aha

[8]. ENVI

[9]. Gram-Schmidt

[10]. Li

مراجع

منابع

تقی‌پور، علی‌اکبر، رسولی، حمید، و فامیلی، افشین (1397). بررسی توان تصاویر پهپادی دقیق در ارزیابی پدیدۀ فرسودگی آسفالت (نمونۀ موردی: روستای الوار سفلی، حوالی شهر تبریز). مهندسی زیرساخت‌های حمل‌ونقل، 4(3)، 115-99. https://doi.org/10.22075/jtie.2018.13220.1260

علوی‌پناه، کاظم (1382). کاربرد سنجش از دور در علوم زمین (علوم خاک). دانشگاه تهران.

علیزاده ربیعی، حسن (1372). سنجش از دور (اصول و کاربرد). انتشارات سمت.

مختاری، محمدحسین، و نجفی، احمد (1394). مقایسۀ روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM. علوم آب و خاک، 19(72)، 35-45. http://dx.doi.org/10.18869/acadpub.jstnar.19.72.4

مرکز آمار ایران (1399). سالنامۀ آماری استان یزد. درگاه ملی آمار. https://amar.org.ir/salnameh-amari/agentType/ViewSearch/CustomFieldIDs/65/SearchValues/1399/PropertyTypeID/646

معرفی، ثنا، پاک شیر، امیرحسین، و گلی خوراسگانی، احمد (1395). بررسی آسفالت گرم و داغ و تأثیر آن در توسعۀ پایدار (مقالۀ مروری). ششمین کنفرانس بین‌المللی توسعۀ پایدار و عمران شهری، اصفهان. https://civilica.com/doc/577510

منصورمقدم، محمد، روستا، ایمان، زمانی، محمدصادق، مختاری، محمدحسین، کریمی فیروزجایی، محمد، و علوی پناه، کاظم (1400الف). مطالعه و پیش‌بینی تغییرات دمای سطح زمین شهر یزد: بررسی اثر مجاورت و تغییرات پوشش اراضی. سنجش ‌از دور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی، 12(4)، 1-27. https://doi.org/10.30495/girs.2021.682083

منصورمقدم، محمد، روستا، ایمان، زمانی، محمدصادق، مختاری، محمدحسین، کریمی فیروزجایی، محمد، و علوی پناه، کاظم (1400ب). بررسی و مدل‌سازی تأثیر ترکیب و آرایش چشم‌انداز شهر یزد بر دمای سطح زمین با استفاده از یادگیری ماشین و داده‌های لندست-8 و سنتینل-2. سنجش از دور و GIS ایران، 15(3)، 1-26. https://doi.org/10.48308/gisj.2023.102195

نظری، داود، ماهوش محمدی، ندا، آدابی، محمدحسین، هزارخانی، اردشیر، قویدل سیوکی، محمد، و کلانی، هانیه (1399). مقایسۀ روش‌های طبقه‌بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقۀ تخت گنبد. زمین‌شناسی ایران، 53(14)، 31-43. http://geology.saminatech.ir/Article/9781/FullText

References

Aiazzi, B., Alparone, L., Baronti, S., & Selva, M. (2007). MS þ Pan image fusion by an enhanced Gram–Schmidt spectral sharpening. 26th Earsel Symp New Dev. Challenges Remote Sensing. http://www.earsel.org/symposia/2006-symposium-Warsaw/pdf/340.pdf

Aksoy, A., Şamlioglu, K., Tayfur, S., & Özen, H. (2005). Effects of various additives on the moisture damage sensitivity of asphalt mixtures. Journal of Construction and Building Materials, 19(1), 11-18. https://doi.org/10.1016/j.conbuildmat.2004.05.003

Alavi Panah, S. K. (2003). Application of remote sensing in earth sciences (soil sciences). Tehran University Press. [In Persian].

Alimjan, G., Sun, T., Liang, Y., Jumahun, H., & Guan, Y. (2018). A new technique for remote sensing image classification based on combinatorial algorithm of SVM and KNN. International Journal of Pattern Recognition and Artificial Intelligence, 32(07), 1859012. https://doi.org/10.1142/S0218001418590127

Alizade Rabiei, H. (1993). Remote Sensin (principles and application). Samat. [In Persian].

Atkinson, P. M., & Tatnall, A. R. (1997). Introduction neural networks in remote sensing. International Journal of Remote Sensing, 18(4), 699-709. http://dx.doi.org/10.1080/014311697218700

Bekkari, A., Idbraim, S., Elhassouny, A., Mammass, D., El Yassa, M., & Ducrot, D. (2012). Spectral and spatial classification of high resolution urban satellites images using haralick features and SVM with SAM and EMD distance metrics. International Journal of Computer Applications, 46(11), 28-37. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=feeeb791929b09ea5aeb9010abae83c2369f8141

Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2-16. https://doi.org/10.1016/j.isprsjprs.2009.06.004

Blaschke, T., Hay, G. J., Kelly, M., Lang, S., Hofmann, P., Addink, E., ... & Tiede, D. (2014). Geographic object-based image analysis–towards a new paradigm. ISPRS journal of photogrammetry and remote sensing, 87, 180-191. https://doi.org/10.1016/j.isprsjprs.2013.09.014

Breiman, L. (1996). Bagging predictors. Journal of Machine Learning, 24(2), 123-140. https://link.springer.com/article/10.1007/BF00058655

Cox, G., Curphey, D., Fronek, D., & Wilson, J. (1986). Remote video sensing of highway pavements at road speeds: Using the Motorola 68020 microprocessor. Computer‐Aided Civil and Infrastructure Engineering, 1(1), 1-13. https://doi.org/10.1111/j.1467-8667.1986.tb00109.x

Cubero-Fernandez, A., Rodriguez-Lozano, F., Villatoro, R., Olivares, J., & Palomares, J. M. (2017). Efficient pavement crack detection and classification. EURASIP Journal on Image and Video Processing, 1, 1-11. https://link.springer.com/article/10.1186/s13640-017-0187-0

Gonzalez-Audicana, M., Garcia, R., & Herrero-Isern, J. (2003). Fusion of multispectral and panchromatic images using new methods based on wavelet transforms-Evaluation of crop classification accuracy. Geoinfor Eur Wide Integr, 265-272. http://www.earsel.org/symposia/2002-symposium-Prague/pdf/037.pdf

Guo, H. (2010). Understanding global natural disastersand the role of earth observation. International Journal of Digital Earth, 3(3), 221-230. https://doi.org/10.1080/17538947.2010.499662

Hartgen, D. T., Fields, M. G., & Feigenbaum, B. (2014). 21st annual report on the performance of state highway systems(1984-2012). (n.p). http://reason.org/files/21st_annual_highway_report.pdf

Hoang, N. D., & Nguyen, Q. L. (2019). A novel method for asphalt pavement crack classification based on image processing and machine learning. Journal of Engineering with Computers, 35(2), 487-498. https://link.springer.com/article/10.1007/s00366-018-0611-9

Huang, C., Davis, L., & Townshend, J. (2002). An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23(4), 725-749. https://doi.org/10.1080/01431160110040323

Jog, S., & Dixit, M. (2016, June). Supervised classification of satellite images. In 2016 Conference on Advances in Signal Processing (CASP) (pp. 93-98). IEEE. https://doi.org/10.1109/CASP.2016.7746144

Kim, H., Sim, S. H., & Cho, S. (2015, August). Unmanned aerial vehicle (UAV)-powered concrete crack detection based on digital image processing. In International Conference on Advances in Experimental Structural Engineering. http://sstl.cee.illinois.edu/papers/aeseancrisst15/194_Kim_Unmanned.pdf

Kim, H., Soleymani, H., Han, S. H., & Nam, H. (2006, October). Evaluation of asphalt pavement crack sealing performance using image processing technique. In Proceedings of the International Symposium on Automation and Robotics in Construction (ISARC), Tokyo, Japan (Vol. 35, p. 341345). https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=805ca70fc109fb2dadc588fd422f777c12502c42

Kim, Y. R., Pinto, I., & Park, S. W. (2012). Experimental evaluation of anti-stripping additives in bituminousmixtures through multiple scale laboratory test results. Journal of Construction and Building Materials, 29, 386-393. https://doi.org/10.1016/j.conbuildmat.2011.10.012

Kingston, G. B., Lambert, M. F., & Maier, H. R. (2005). Bayesian training of artificial neural networks used forwater resources modeling. Journal of Water Resources Research, 41(12). https://doi.org/10.1029/2005WR004152

Koch, C., Georgieva, K., Kasireddy, V., Akinci, B., & Fieguth, P. (2015). A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure. Journal of Advanced Engineering Informatics, 29(2), 196-210. https://doi.org/10.1016/j.aei.2015.01.008

Li, X., Liu, L., & Huang, L. (2020). Comparison of several remote sensing image classification methods basedon envi. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences,42, 605-611. https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-3-W10/605/2020/isprs-archives-XLII-3-W10-605-2020.pdf

Li, Z., Cheng, C., Kwan, M. P., Tong, X., & Tian, S. (2019). Identifying asphalt pavement distress using UAV LiDAR point cloud data and random forest classification. ISPRS International Journal of GeoInformation, 8(1), 39. https://doi.org/10.3390/ijgi8010039

Mansourmoghaddam, M., Rousta, I., Zamani, M. S., Mokhtari, M. H., Karimi Firozjaei, M., & Alavipanah, S. K. (2022a). Investigating and Modeling the Effect of the Composition and Arrangement of the Landscapes of Yazd City on the Land Surface Temperature Using Machine Learning and Landsat-8 and Sentinel-2 Data. Iranian Journal of Remote Sensing & GIS, 15(3), 1-26. https://doi.org/10.48308/gisj.2023.102195 [In Persian].

Mansourmoghaddam, M., Rousta, I., Zamani, M., Mokhtari, M. H., Karimi Firozjaei, M., & Alavipanah, S. K. (2022b). Study and prediction of land surface temperature changes of Yazd city: assessing the proximity and changes of land cover. Journal of RS and GIS for Natural Resources, 12(4), 1-27. https://doi.org/10.30495/girs.2021.682083 [In Persian].

Mansourmoghaddam, M., Ghafarian Malamiri, H. R., Arabi Aliabad, F., Fallah Tafti, M., Haghani, M., & Shojaei,S. (2022c). The Separation of the Unpaved Roads and Prioritization of Paving These Roads UsingUAV Images. Journal of Air, Soil and Water Research, 15, 11786221221086285. https://doi.org/10.1177/11786221221086285

Mansourmoghaddam, M., Rousta, I., Ghaffarian, H., & Mokhtari, M. H. (2022d). Evaluating the capability ofspatial and spectral fusion in land-cover mapping enhancement. Journal of Earth Observation and Geomatics Engineering, 6(1). https://doi.org/10.22059/eoge.2022.348987.1125

Maroofi, S., Pak Shir, A. H., & Goli-Khorasgani, A. (2015). Investigation of warm asphalt and hot asphalt and its impact on sustainable development (review article). 6th International Conference on Sustainable Development & Urban Construction, Isfahan. https://civilica.com/doc/577510/ [In Persian].

Mettas, C., Themistocleous, K., Neocleous, K., Christofe, A., Pilakoutas, K., & Hadjimitsis, D. (2015, June). Monitoring asphalt pavement damages using remote sensing techniques. In Third international conference on remote sensing and geoinformation of the environment (RSCy2015) (Vol. 9535, pp. 237-248). SPIE. https://doi.org/10.1117/12.2195702

Mokhtari, M. H., & Najafi, A. (2015). Comparison of support vector machine and neural network classification methods in land use information extraction through Landsat TM data. Journal of Science and Technology of Agriculture and Natural Resources, 19(72), 35-45. http://dx.doi.org/10.18869/acadpub.jstnar.19.72.4 [In Persian].

Nazari, D., Mahvash Mohammadi, N., Adabi, M. H., Hazarkhani, A., Ghavidel-Syooki, M.., & Kalani. H. (2020). Separating alteration units in the Takht-e-Gonbad district using via comparing two classification methods of Support vector machine and maximum likelihood. Iranian Journal of Geology, 53(14), 31-43. http://geology.saminatech.ir/Article/9781/FullText [In Persian].

Pal, M., & Mather, P. M. (2001, November). Decision tree based classification of remotely sensed data. In Proceedings of 22nd Asian conference on remote Sensing (Vol. 5, p. 9). https://www.academia.edu/download/39963411/046PAL.PDF

Pan, Y., Zhang, X., Cervone, G., & Yang, L. (2018). Detection of asphalt pavement potholes and cracks basedon the unmanned aerial vehicle multispectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(10), 3701-3712. https://doi.org/10.1109/JSTARS.2018.2865528

Richards, J. A., & Richards, J. (1999). Remote sensing digital image analysis (Vol. 3). Springer.

Safavian, S. R., & Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE Transactions Onsystems, Man and Cybernetics, 21(3), 660-674. https://doi.org/10.1109/21.97458

Sankarasrinivasan, S., Balasubramanian, E., Karthik, K., Chandrasekar, U., & Gupta, R. (2015). Health monitoringof civil structures with integrated UAV and image processing system. Procedia Computer Science, 54, 508-515. https://doi.org/10.1016/j.procs.2015.06.058

Some, L. (2016). Automatic image-based road crack detection methods KTH. (n.p). https://www.diva-portal.org/smash/record.jsf?pid=diva2:945233

Statistical Center of Iran. (2019). Statistical Yearbook of Yazd Province. National Portal of Statistics. https://amar.org.ir/salnamehamari/agentType/ViewSearch/CustomFieldIDs/65/SearchValues/1399/PropertyTypeID/646 [In Persian].

Taghipour, A. A., Rasouli, H., & famili, A. (2018). Road Pavement Distress Extraction Using UAV Imageries (Case Study: Alvar-e-Sofla Village near Tabriz). Journal of Transportation Infrastructure Engineering, 4(3), 99-116. https://doi.org/10.22075/jtie.2018.13220.1260 [In Persian].

Vapnik, V. (1999). The nature of statistical learning theory. Springer Science & Business Media. https://link.springer.com/book/10.1007/978-1-4757-3264-1

Wettschereck, D., Aha, D .W., & Mohri, T. (1997). A review and empirical evaluation of feature weighting methods for a class of lazy learning algorithms. Artificial Intelligence Review, 11(1), 273-314. https://link.springer.com/article/10.1023/A:1006593614256

Zhang, C. (2008). An UAV-based photogrammetric mapping system for road condition assessment. Int. Arch.Photogramm. Remote Sens. Spatial Inf. Sci, 37, 627-632. http://www.isprs.org/proceedings/XXXVII/congress/5_pdf/109.pdf

Zhang, S., Bogus, S. M., Lippitt, C. D., Neville, P. R., Zhang, G., Chen, C., & Valentin, V. (2015). Extracting pavement surface distress conditions based on high spatial resolution multispectral digital aerialphotography. Photogrammetric Engineering & Remote Sensing, 81(9), 709-720. https://doi.org/10.14358/PERS.81.9.709

Zhao, L., Shi, Y., Liu, B., Hovis, C., Duan, Y., & Shi, Z. (2019). Finer classification of crops by fusing UAV images and Sentinel-2A data. Journal of Remote Sensing, 11(24), 3012. https://doi.org/10.3390/rs11243012

آمار

تعداد مشاهده مقاله: 1,126

تعداد دریافت فایل اصل مقاله: 405

سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب

پیوندهای مفید

اخبار و اعلانات

آمار

امکان‌سنجی شناسایی و مطالعۀ آسیب خیابان‌های شهری با استفاده از تصاویر پهپادی و ماهواره‌ای (مطالعۀ موردی: شهر یزد)

مقدمه

مواد و روش‌‌شناسی پژوهش

منطقۀ موردمطالعه

داده‌های استفاده‌شده

روش‌شناسی پژوهش

تفکیک آسفالت از ترک

روش‌های طبقه‌بندی نظارت‌شده

نزدیک‌ترین همسایه (K Nearest Neighbors)

شبکۀ عصبی مصنوعی (Artificial Neural Network)

الگوریتم یادگیری ماشین (Support Vector Machine)

بیشترین احتمال (Maximum Likelihood)

کمترین فاصله (Minimum Distance)

طبقه‌بندی شی‌ء‌گرا (Object Base Image Analysis)

طبقه‌بندی‌کنندۀ جنگل تصادفی (Random Forest)

درخت تصمیم‌گیری (Decision Tree)

الگوریتم بیز (Bayes)

ادغام تصاویر (Fusion)

تفکیک آسفالت فرسوده (عمر آسفالت)

حد آستانه

نتایج

طبقه‌بندی با روش‌های نظارت‌شده

نتایج حاصل از طبقه‌بندی روی تصویر فیوژن‌شده

پایش عمر آسفالت

تحلیل نتایج

نتیجه‌گیری

منابع