ரிமோட் சென்சிங் & ஜிஐஎஸ் ஜர்னல்

சுருக்கம்

டிஜிட்டல் படங்களிலிருந்து சாலைகளைப் பிரித்தெடுக்கும் முழு லாம்ப்டா மற்றும் SVM முறைகளின் திறன் மதிப்பீடு

அப்துல்லாஹி ஏ, பக்தியாரி HRR மற்றும் நெஜாத் PM

ஃபோட்டோகிராமெட்ரி மற்றும் ரிமோட் சென்சிங் ஆகியவற்றைப் பயன்படுத்தி தரையில் உள்ள தகவல்களைத் தானாகப் பிரித்தெடுப்பதற்கு மனித தரவு மற்றும் படத் தரவை உருவாக்குவது தேவைப்படுகிறது, எனவே, அது படத்தின் அனைத்து உள்ளடக்கத்தையும் உள்ளடக்கியிருக்க வேண்டும். படத்தில் உள்ள பல்வேறு பொருட்களின் சிக்கலான அமைப்பு இதைச் செய்வதற்கான சவால்களுக்கு வழிவகுக்கிறது. எனவே, டிஜிட்டல் தரவு வகையைத் தேர்வுசெய்து, மேப்பிங் துல்லியத்தில் விரும்பிய விளைவைப் பிரித்தெடுப்பதற்கான நல்ல வழி முக்கியமானது. இந்த ஆய்வு செயற்கைக்கோள் மற்றும் வான்வழி படங்களிலிருந்து நேராக, சுழல், குறுக்குவெட்டு, நகர்ப்புற மற்றும் நகர்ப்புற சாலைகள் உட்பட பல்வேறு வகைகளை பிரித்தெடுக்கும் அரை-தானியங்கி முறையை ஆய்வு செய்துள்ளது. பயன்படுத்தப்பட்ட தரவுகளில் UltraCam வான்வழி படம், 0.5 மீ தீர்மானம் கொண்ட நகர்ப்புறம் அல்லாத பகுதியின் வேர்ல்ட்வியூ செயற்கைக்கோள் படம் மற்றும் 0.61 மீ தீர்மானம் கொண்ட தெஹ்ரான் மாகாணத்தின் விரைவு-பறவை படங்கள் ஆகியவை அடங்கும். முன்மொழியப்பட்ட முறையில், ஃபுல் லாம்ப்டா முறையைப் பயன்படுத்தி படத்தைப் பிரிப்பதன் மூலம், SVM அல்காரிதத்தைப் பயன்படுத்தி பட வகைப்பாடு செய்யப்படுகிறது, மேலும் கண்டறியும் வழிகளின் தரத்தை மேம்படுத்தவும் சத்தம் மற்றும் இடைவெளிகளை அகற்றவும் உருவவியல் செயல்பாடுகள் பயன்படுத்தப்படுகின்றன. படப் பிரிவில் ஃபுல் லாம்ப்டா முறை அதிக துல்லியம் கொண்ட படங்களுக்கு, பட வகைப்பாட்டின் துல்லியம் அதிகரிக்கப்பட்டு அதிலிருந்து சாலையை பிரித்தெடுப்பது சிறப்பாக செய்யப்பட்டுள்ளது. 81 சதவீதத்திற்கும் மேலான சராசரி ஒட்டுமொத்த துல்லியம் மற்றும் சராசரி துல்லியம் கப்பா குணகம் 78 சதவீதத்திற்கும் அதிகமான சாலை மற்றும் சாலை அல்லாத இரண்டு வகைகளாக பட வகைப்படுத்தலில் வெவ்வேறு சாலைகளை அரை தானியங்கி பிரித்தெடுப்பதற்காக அறிமுகப்படுத்தப்பட்ட அமைப்பின் மிகச் சிறந்த திறனைக் குறிக்கிறது.