fa توسعه روشی نوین در بهینه‌سازی طبقه‌بندی شئ‌مبنا جهت به‌روزرسانی نقشه‌های بزرگ مقیاس شهری با تأکید بر عارضه ساختمان فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">نظر به گسترش شهرها، به‌روزرسانی نقشه‌های شهری جهت برنامه‌ریزی شهری حائز اهمیت و کارآمدی آن متأثر از دقت استخراج اطلاعات/شناسایی تغییرات است. روش‌های استخراج اطلاعات از دیدگاه واحد پایه محاسباتی به دو گروه پیکسل‌مبنا و شئ‌مبنا تقسیم می‌شوند. آنالیزهای شئ‌مبنا محدودیت‌های آنالیزهای پیکسل‌مبنا (تولید نتایج فلفل-نمکی و تولید عوارض با حفره) را رفع نموده است. در استخراج اطلاعات با طبقه‌بندی </span></span><span dir="LTR">SVM</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> در مناطق پیچیده شهری، بهره‌گیری از ویژگی‌های متنوع جهت بهبود دقت مطرح است، بااین‌حال، به دلیل افزایش فضای ویژگی، احتمال حضور ویژگی‌های وابسته افزایش می‌یابد. همچنین در </span></span><span dir="LTR">SVM</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> نیاز به تعیین مقادیر پارامترهای مدل است. در اکثر تحقیقات پیشین مبتنی بر آنالیزهای شئ‌مبنا، دو مرحله مهم فوق به روش سعی و خطا و یا مبتنی بر دانش فرد خبره تعیین می‌شدند. لزوم انتخاب ویژگی‌های مستقل ازیک‌طرف و ضرورت تعیین مقادیر بهینه پارامترهای </span></span><span dir="LTR">SVM</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> شئ‌مبنا از سوی دیگر با هدف کاهش حداکثری تعامل کاربر سبب شده است که در این مقاله، روشی نوین با سطح خودکارسازی نسبتاً بالا مبتنی بر بهینه‌سازی توأمان </span></span><span dir="LTR">SVM</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> شئ‌مبنا با الگوریتم‌های فرا ابتکاری جهت به‌روزرسانی نقشه‌های بزرگ مقیاس با تلفیق تصاویر با قدرت تفکیک مکانی بالا و داده ارتفاعی ارائه شود. همچنین انتخاب نیمه‌خودکار نمونه‌های آموزشی/آزمایشی نیز افزایش سطح خودکارسازی روند به‌روزرسانی را تأمین می‌نمایند. لذا با توجه به اهمیت استخراج اطلاعات بر نتایج به‌روزرسانی، روش پیشنهادی سعی بر بهبود نتایج این مرحله دارد. نتایج حاصل از پیاده‌سازی روش پیشنهادی بر تصاویر آزمایشی نسبت به رویکردهای پیکسل‌مبنا، حاوی نتایج نویزی نبودند و زمان اجرای روش پیشنهادی در فرآیند بهینه&shy;سازی و طبقه&shy;بندی در مقایسه با رویکرد پیکسل‌مبنا به‌طور قابل‌توجهی کاهش یافت. درنهایت دقت نقشه تغییرات از روش پیشنهادی در مقایسه با رویکرد معمول منجر به بهبود 9% ضریب کاپا و 5% معیار کیفیت در کلاس تغییریافته شد.</span></span><br> &nbsp;</div> <div style="text-align: justify;">According to the cities expansion, updating urban maps for urban planning is important and its effectiveness is depend on the information extraction / change detection accuracy. Information extraction methods are divided into two groups, including Pixel-Based (PB) and Object-Based (OB). OB analysis has overcome the limitations of PB analysis (producing salt-pepper results and features with holes). In the information extraction by SVM classification in complex urban areas, using various features was suggested to improve accuracy result<span dir="RTL">.&nbsp;</span>Also, in SVM, it is necessary to determine the values of the model parameters. In most of the previous OB research, the two important steps were determined by trial and error or based on an expert knowledge<span dir="RTL">.&nbsp;</span>The necessity of selecting independent features and determining the optimal values of SVM parameters, with the aim of minimizing the maximum user interaction, have resulted in proposing a novel method with a relatively high automation level based on SVM simultaneously optimization with meta-heuristic algorithms for large scale updating maps in&nbsp; high spatial resolution and elevation data. Semi-automatic selection of train/test samples also has increased the automation level of the updating process<span dir="RTL">.&nbsp;</span>Therefore, according to the effect of information extraction on the updating results, the proposed method is trying to improve this step results. The results of the proposed method had no salt-pepper results in comparison with PB analysis. Also, the time processing of the proposed method in optimization and classification steps had been decreased. Finally, the results of change detection map obtained from the proposed method led to 9% and 5% improvement in comparison with other methods in changed class.<br> &nbsp;</div> به‌روزرسانی, طبقه‌بندی SVM شئ‌مبنا, الگوریتم بهینه‌سازی فرا ابتکاری, تصاویر با قدرت تفکیک بالا, داده ارتفاعی Updating, Object-based SVM Classification, Meta-heuristic Algorithms, High Spatial Resolution, Elevation Data 203 220 http://jgst.issgeac.ir/browse.php?a_code=A-10-669-1&slc_lang=fa&sid=1 E. Tamimi الهه تمیمی elahe.tamimi@gmail.com 10031947532846007633 10031947532846007633 Yes بدون سازمان H. Ebadi حمید عبادی ebadi@kntu.ac.ir 10031947532846007634 10031947532846007634 No بدون سازمان A. Kiani عباس کیانی akiani@ kntu.ac.ir 10031947532846007635 10031947532846007635 No بدون سازمان