دانشگاه سمنان مهندسی زیر ساخت های حمل و نقل 2423-5350 7 3 2021 11 22 Automatic Extraction of Road Network Based on the Integration of Sentinel-1 and Sentinel-2 Satellite Images with Texture Analysis Features in Non-urban Space (Case Study: Shahroud-Miami Route) استخراج اتوماتیک شبکه راه براساس ادغام تصاویر ماهواره‌ای سنتینل1 و سنتینل2 با ویژگی‏های آنالیز بافت در فضای غیرشهری (مطالعه موردی: مسیر شاهرود- میامی) 95 116 5189 10.22075/jtie.2021.23191.1531 FA سید مهدی موسوی دانشجوی کارشناسی ارشد مهندسی راه و ترابری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود حسین قاسم زاده طهرانی استادیار گروه مهندسی راه و ترابری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود بهناز بیگدلی استادیار گروه سنجش از راه دور و فتوگرامتری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود Journal Article 2021 04 24 Remote sensing has wide applications in many scientific and research fields, including road engineering and transportation, the most important of which is extraction of road network and preparation of a schematic map of road network. Extraction of road network from satellite images is a complementary technology for accessing information, which simplifies the interpretation and analysis of image and improves the quality, which is one of the most important goals of planners. The main purpose of this study was to automatically extract road network on Shahroud-Miami route so that the resulting road network map can be used as the input of pavement management system (PMS). The proposed method in this study is based on the technique of merging and combining images of Sentinel-1 and Sentinel-2 satellites with the majority voting method in order to make maximum use of spectral and spatial information of multiple images (detail increase) instead of single image using texture features. Then, for the monitored classification, three classifications of artificial neural network (ANN), support vector machine (SVM) and maximum likelihood of similarity (ML) were used in two general classes of road and non-road. Random and homogeneous experimental samples and evaluation samples from the existing images and maps of the region were used to assess the accuracy of classification. Results of this study showed that integration of the results of classifications with the majority voting method improved the accuracy by 4% for Sentinel-1 satellite and 6% for Sentinel-2 satellite in identifying the route and the road network. Also, the kappa coefficient in the majority voting method has increased by about 0.11 for Sentinel-1 satellite and by about 0.06, compared to ANN (the best effective classification performance). <strong>سنجش از دور در بسیاری از زمینه­های علمی و تحقیقاتی، از جمله در مهندسی راه و حمل و نقل، کاربرد­های گسترده­ای دارد که می­توان به مهم­ترین کاربرد آن یعنی استخراج شبکه راه­ و تهیه نقشه شماتیک آن‌ اشاره کرد. استخراج شبکه راه­ها از تصاویر ماهواره­ای نوعی فناوری مکمل برای دستیابی به اطلاعات به­شمار می­آید که تفسیر و آنالیز تصویر را ساده­تر کرده و باعث ارتقای کیفیت می­شود. هدف اساسی این پژوهش، استخراج اتوماتیک شبکه راه در مسیر شاهرود- میامی بوده که نقشه شبکه راه حاصله به عنوان ورودی سیستم مدیریت روسازی (</strong><strong>PMS</strong><strong>) مورد استفاده قرار گیرد. روش پیشنهادی در این مطالعه مبتنی بر تکنیک ادغام و تلفیق تصاویر ماهواره­های سنتینل1 و سنتینل2 با روش حداکثر رأی­گیری به منظور استفاده بیشینه از اطلاعات طیفی و مکانی چند تصویر (افزایش جزئیات) به جای تک­تصویر، با استفاده از ویژگی­های بافت، می­باشد. در ادامه، برای انجام طبقه­بندی نظارت شده، از دو طبقه­بند غیرپارامتریک شبکه عصبی مصنوعی (</strong><strong>ANN</strong><strong>) و ماشین بردار پشتیبان (</strong><strong>SVM</strong><strong>) و یک طبقه­بند پارامتریک حداکثر احتمال شباهت (</strong><strong>ML</strong><strong>) در دو کلاس کلی راه و غیرراه استفاده شد. نمونه­های آزمایشی به صورت تصادفی و همگن و نمونه­هایی از تصاویر و نقشه­های موجود منطقه برای ارزیابی دقت طبقه­بندی استفاده شدند. نتایج نشان داد که ادغام و تلفیق نتایج طبقه­بندی­ها با روش حداکثر رأی­گیری موجب بهبود دقت حدود 4% برای ماهواره سنتینل1 و حدود 6% برای ماهواره سنتینل2 در شناسایی مسیر و شبکه راه­ها شده است. همچنین، ضریب کاپا در روش حداکثر رأی­گیری نسبت به </strong><strong>ANN</strong><strong> </strong><strong>(بهترین عملکرد مؤثر طبقه­بندی­ها) برای ماهواره سنتینل1 حدود 11/0 و برای ماهواره سنتینل2 حدود 06/0 رشد داشته است.</strong><br />  https://jtie.semnan.ac.ir/article_5189_5bbf63e360fa694299b173b57208d899.pdf