شبکه های عصبی کانولوشن

امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش های شناسایی عوارض زمینی، این عوارض با استفاده از پیش دانسته هایی از جمله ساختار، بافت، خصوصیات بازتابی و غیره شناسایی می شوند. هدف از این تحقیق ارایه روشی برای شناسایی تغییرات ساختمان ها در دو  منطقه شهری و در بازه های زمانی 5 ساله و 3 ساله می باشد. در این تحقیق با توجه نوع داده های مورد استفاده و مناطق مورد مطالعه و تراکم ساختمان های شهری، روش شیءمبنا برای طبقه بندی عوارض و شناسایی ساختمان ها استفاده شده است. این روش شیءگرا، قطعه بندی چندمقیاسه است که با استفاده از آن توصیف گرهای مناسب طیفی، بافتی و ساختاری استخراج و با استفاده از روش های فازی، طبقه بندی می شوند و پس از طبقه بندی در دو اپک و استخراج ساختمان های حاصل از طبقه بندی، تغییرات ارتفاعی آنها محاسبه می شود. روش های شناسایی این تغییرات بر مبنای روش مبتنی بر یادگیری عمیق است و ارزیابی آن با استفاده از روش تفاضل DSM می باشد. در روش تفاضل  DSM با استفاده از یک حدآستانه ارتفاعی تغییرات شناسایی می شوند، سپس در روش مبتنی بر یادگیری عمیق با استفاده از یک شبکه عصبی کانولوشن بار دیگر با در اختیار داشتن مشخصه های ارتفاعی و داده های واقعیت زمین  ایجادشده از شناسایی تغییرات در حالت تفاضلی، این تغییرات ارتفاعی آشکار می شوند و با تغییرات شناسایی شده در روش تفاضلی ارزیابی می شوند. نتایج آزمون ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراکم ساختمان های موجود، حدود 96% ساختمان ها از تصاویر هوایی در گام اول شناسایی و استخراج شدند. همچنین در گام دوم شناسایی تغییرات ساختمانی به روش شبکه عصبی با صحت کلی 90% انجام شده است.