Lidar verisi ve çok yüksek çözünürlüklü çok bantlı görüntü sinerjisini kullanarak nesne-tabanlı kentsel arazı örtüsü çıkarımı

Güncel kentsel arazi örtüsü bilgileri, kentsel planlama ve yönetim için kritik bir rol oynar. Bu çalışmada, çok yüksek çözünürlüklü (VHR) multispektral hava görüntüleri ve havadan LiDAR verilerinin entegrasyonu kullanılarak kentsel arazi örtüsü tiplerinin sınıflandırılması için bir yaklaşım sunulmuştur. Havadan görüntülerin ve LiDAR verilerinin entegrasyonu, nesne yönelimli sınıflandırma sırasında gerçekleştirildi. Nesne yönelimli sınıflandırma öncesinde görüntü segmentasyonu, verimlilik ve yüksek doğruluk avantajlarını sergileyen son teknoloji bir görüntü segmentasyon algoritması olan Simple Non-Iterative Clustering (SNIC) algoritması kullanılarak gerçekleştirildi. Sınıflandırmada, havadan görüntülerin optik bantları, NDVI indeksi, bir normalleştirilmiş dijital yüzey modeli (nDSM), LiDAR verilerinden türetilen bir yoğunluk bandı ve bu bantlardan hesaplanan yedi gri düzey birlikte oluşum matrisi (GLCM) doku metrikleri (kontrast, benzemezlik, homojenlik, ikinci moment, entropi, varyans, korelasyon) kullanılmıştır. Sınıflandırıcı olarak bir makine öğrenme algoritması olan Adaptive Boosting (AdaBoost) seçilmiştir. AdaBoost'un özyinelemeli özellik eleme (RFE) yöntemi uygulanarak özellik seçimine (FS) duyarlılığı da incelenmiştir. Yöntemler, Çek Cumhuriyeti'nin Hradec Kralove şehrinin birleştirilmiş VHR hava görüntüleri ve LiDAR verilerine uygulandı. Çalışma alanı olarak üç alt alan seçilmiştir. Sonuçlar, hava görüntüleri ile LiDAR'dan türetilen nDSM ve yoğunluk görüntü özelliklerinin birleştirilmesinin, sonuçları (genel doğruluk) %24,7'ye kadar önemli ölçüde iyileştirdiğini gösterdi. En yüksek sınıflandırma doğruluğuna (D = %85,5) 56 girdi özelliğinden seçilen en iyi özelliklerden (21 özellik) ulaşılmıştır. En yüksek ikinci sınıflandırma doğruluğu (D = %84,8), hava görüntüleri ve LiDAR'dan türetilmiş nDSM ve yoğunluk görüntüsünün oluşturduğu veri kümesinden elde edilmiştir. Hava görüntülerinden ve LiDAR'dan türetilmiş özelliklerden entegre edilen veri seti, kentsel arazi örtüsü sınıflandırmasında etkili olduğunu kanıtladı. Ancak nesne tabanlı GLCM doku ölçümlerini AdaBoost sınıflandırıcısında birleştirmek, sınıflandırma doğruluğunu azalttı.