بررسی جامع بر روی روش‌های طبقه‌بندی غیرپارامتریک به منظور تفکیک عوارض شهری با استفاده از تلفیق داده‌های لایدار و تصویر هوایی با توان تفکیک مکانی بسیار بالا

امروزه به دست آوردن اطلاعات پوشش اراضی شهری، یکی از مهم‌ترین ابزارهای مدیریت شهری است و کاربرد زیادی در بررسی تغییرات زمین دارد. طبقه‌بندی تصاویر، یکی از متداول¬ترین روش‌های استخراج اطلاعات از داده‌های سنجش از دور است. وجود نواحی شهری پیچیده و متراکم یکی از مشکلات آنالیزهای سنجش از دور می¬باشد. دقت عملکرد طبقه‌بندی در این مناطق برای محققان مورد توجه بوده و همواره سعی در بهبود این دقت داشته¬اند. با استفاده از تکنیک تلفیق داده¬های مختلف و به کارگیری اطلاعات متنوع از عوارض می‌توان به طبقه‌بندی دقیق‌تر با قابلیت اعتماد بالاتر دست یافت. از جمله روش-های موفقیت آمیز طبقه‌بندی در سال‌های اخیر، می‌توان به الگوریتم‌های ماشین‌ بردار پشتیبان و الگوریتم‌های یادگیری دسته جمعی مانند بگینگ، بوستینگ و جنگل تصادفی اشاره کرد. در این مقاله در مورد عملکرد این چهار الگوریتم برای شناسایی عوارض شهری با استفاده از نقاط متراکم لایدار و تصویر هوایی با قدرت تفکیک بسیار بالا بحث شده است. در این تحقیق از سه شیوه بر اساس طبقه‌بندی داده لایدار و تصویر هوایی به تنهایی و تلفیق هر دو داده استفاده شده‌است. نتایج نشان می‌دهد که ترکیب داده لایدار و تصویر هوایی، طبقه‌بندی بهتری را از عوارض شهری به‌دست می‌دهد. در نهایت طبقه‌بندی عوارض شهری با کمک تلفیق داده‌های لایدار و تصویر هوایی و با استفاده از الگوریتم ماشین‌های بردار پشتیبان با دقت ۹۹/۹۳٪،  توانایی بالاتری نسبت به سایر روش¬های طبقه‌بندی مورد استفاده مانند بگینگ، بوستینگ و جنگل تصادفی دارد.