استخراج اتوماتیک شبکه راه براساس ادغام تصاویر ماهواره‌ای سنتینل 1 و سنتینل 2 با ویژگی های آنالیز بافت در فضای غیر شهری (مطالعه موردی: مسیر شاهرود-میامی)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی و دکتری تخصصی مهندسی عمران راه و ترابری، دانشکده مهندسی عمران ، دانشگاه صنعتی شاهرود، شاهرود

2 عضو هیئت علمی و دکتری تخصصی مهندسی عمران-نقشه برداری سنجش از دور-فتوگرامتری، دانشگاه صنعتی شاهرود، شاهرود

10.22075/jtie.2021.23191.1531

چکیده

سنجش از دور در بسیاری از زمینه‌های علمی و تحقیقاتی از جمله در علم مهندسی راه و حمل و نقل کاربرد‌های گسترده‌ای دارد که می‌توان به مهم‌ترین کاربرد آن یعنی استخراج شبکه راه‌ و تهیه نقشه شماتیک شبکه راه‌ اشاره کرد. استخراج شبکه راه-ها از تصاویر ماهواره‌ای نوعی فناوری مکمل برای دستیابی به اطلاعات، به شمار می‌آید که تفسیر و آنالیز تصویر را ساده‌تر و باعث ارتقا کیفیت که از مهم‌ترین اهداف برنامه‌ریزان و مسئولین است، را سبب 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 (PMS) مورد استفاده قرار بگیرد. روش پیشنهادی در این مطالعه مبتنی بر تکنیک ادغام و تلفیق تصاویر ماهواره‌های سنتینل 1 و سنتینل 2 با روش حداکثر رای‌گیری به منظور استفاده حداکثری از اطلاعات طیفی و مکانی چند تصویر (افزایش جزئیات) به جای تک تصویر با استفاده از ویژگی‌های بافت می‌باشد. در ادامه برای انجام طبقه‌بندی نظارت شده از دو طبقه‌بند غیر پارامتریک شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) و یک طبقه‌بند پارامتریک حداکثر احتمال شباهت (ML) در دو کلاس کلی راه و غیر راه استفاده شد. نمونه‌های آزمایشی به صورت تصادفی و همگن و نمونه‌های ارزیابی از تصاویر و نقشه‌های موجود منطقه برای ارزیابی دقت طبقه‌بندی استفاده شدند. نتایج این مطالعه نشان داد که ادغام و تلفیق نتایج طبقه‌بندی‌ها با روش حداکثر رای‌گیری موجب بهبود دقت حدود 4 % برای ماهواره سنتینل1 و حدود 6 % برای ماهواره سنتینل2 در شناسایی مسیر و شبکه راه‌ها ایجاد شده است. همچنین ضریب کاپا در روش حداکثر رای‌گیری نسبت به ANN (بهترین عملکرد موثر طبقه‌بندی‌ها) برای ماهواره سنتینل1 حدود 0/11 و برای ماهواره سنتینل2 حدود 0/06 رشد داشته است.

کلیدواژه‌ها


عنوان مقاله [English]

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)

نویسندگان [English]

  • Seyed Mahdi Mousavi
  • Hosein Ghasemzadeh Tehrani 1
  • Behnaz Bigdeli 2
1 Department of Road and Transportation, Faculty of Civil Engineering, Shahroud University of Technology, Shahroud
2 Department of Geotechnic, Road and Surveying, Faculty of Civil Engineering, Shahroud University of Technology, Shahroud
چکیده [English]

Remote sensing has wide applications in many scientific and research fields, including road engineering and transportation, the most important of which is the extraction of the road network and the preparation of a schematic map of the road network. Extraction of road network from satellite images is a complementary technology for accessing information, which simplifies the interpretation and analysis of the 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 the road network on the Shahroud-Miami route so that the resulting road network map can be used as the input of the 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 existing images and maps of the region were used to assess the accuracy of classification. The results of this study showed that the integration of the results of the classifications with the majority voting method improved the accuracy of 4% for the Sentinel 1 satellite and 6% for the Sentinel 2 satellite in identifying the route and the road network. Also, the kappa coefficient in the majority voting method compared to ANN (the best effective classification performance) for the Sentinel 1 satellite has increased by about 0.11 and for the Sentinel 2 satellite by about 0.06.

کلیدواژه‌ها [English]

  • Road extraction
  • Artificial Neural Network
  • image fusion
  • supervised classification
  • remote sensing

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 02 تیر 1400
  • تاریخ دریافت: 04 اردیبهشت 1400
  • تاریخ بازنگری: 25 خرداد 1400
  • تاریخ پذیرش: 02 تیر 1400