دادههای فراطیفی و لیدار با توجه به فراهم آوردن اطلاعات طیفی و ارتفاعی غنی میتوانند پتانسیل بالایی در تفکیک عوارض در مناطق پیچیده شهری داشته باشند. در این مطالعه، روشی فراابتکاری در بهینهسازی ادغام دادهها در سطح توصیفگر ارائه شده است. برای این هدف، یک فضای توصیفگر جامع طیفی-مکانی-ساختاری مبتنی بر دو داده و با استفاده از روشهای استخراج ویژگی شامل شاخصهای طیفی، آنالیز بافت، ناهمواری و غیره ایجاد میشود. در مطالعات انجام شده عموماً از یک معیار برای ارزیابی عملکرد طبقهبندیکننده استفاده میشود. در روش پیشنهادی، سه معیار ارزیابی قدرت تعمیم الگوریتم، پیچیدگی طبقهبندی و جدایی بین کلاسها در نظر گرفته شده است. الگوریتم بهینهسازی توده ذرات چندهدفه با هدف انتخاب زیرمجموعهای بهینه از توصیفگرها و تعیین پارامترهای طبقهبندی کننده ماشینهای بردار پشتیبان بکار گرفته شده به صورتیکه سه معیار بهینه شود. نتایج بدست آمده نشان میدهد که روش پیشنهادی با حذف 300 توصیفگر (از مجموع 611 توصیفگر) دقت طبقهبندی را تا %11 و %58 به ترتیب نسبت به تصویر فراطیفی و لیدار بهبود بخشیده و همچنین فاصله بین کلاسها افزایش مییابد.
Hasani H, Samadzadegan F. Feature Level Fusion of Hyperspectral Image and LiDAR Data based on Multi-Objective Particle Swarm Optimization in Classification of Urban Area. JGST 2021; 11 (2) : 11 URL: http://jgst.issgeac.ir/article-1-1012-fa.html
حسنی حدیثه سادات، صمدزادگان فرهاد. ادغام تصویر فراطیفی و داده لیدار در سطح توصیف گر برمبنای الگوریتم بهینه سازی توده ذرات چندهدفه به منظور طبقه بندی مناطق شهری. علوم و فنون نقشه برداری. ۱۴۰۰; ۱۱ (۲) :۱۶۳-۱۸۰