Feasibility of Identifying and Studying the Damage of Inner-City Streets Using Drone and Satellite Images (Case Study: A Part of Yazd City)

Document Type : Research Paper

Authors

1 M.Sc. student of Remote Sensing, Yazd University, Yazd, Iran

2 Ph.D. student of Remote Sensing, Shahid Beheshti University, Tehran, Iran

3 Associate professor, Department of Geography, Yazd University, Yazd, Iran

Abstract

 
Abstract
Sustainability in the field of pavements is one of the subsets of sustainability topics in sustainable development. In the upcoming research, various supervised and object-oriented methods and fusions of satellite and drone images by using the Gram-Schmidt algorithm were used to investigate asphalt damage, including asphalt cracking and wear, in order to provide the best method for investigation. The results showed that the supervised methods of support vector machine with a kappa coefficient of 87% and overall accuracy of 90% provided the best and shortest distance method with the kappa coefficient and overall accuracy of 57% and 67%, respectively, while showing the lowest accuracy in the classification of supervised methods. Also, among the object-oriented methods, the support vector machine algorithm with a kappa coefficient of 86% and an overall accuracy of 91% had a more accurate output compared to the other studied algorithms. The lowest accuracy was related to the nearest neighbor algorithm with a kappa coefficient of 78% and an overall accuracy of 80%. In the UAV fusion output with Sentinel-2, the classification was done by using the most optimal algorithm and the support vector machine in the object-oriented method. The results showed an increase in classification accuracy up to  the kappa coefficient of 91% and  overall accuracy of 93%. Furthermore, the thresholding method with a Kappa coefficient of 90% showed the best result for detecting asphalt wear.
Keywords: Asphalt, Remote Sensing, Drone, Classification, Road
 
Introduction
Sustainability in an environment highly depends on the sustainability of the components of that environment. Sustainability in the field of pavements is also one of the subsets of sustainability topics in sustainable development. Ways of communication are among the most important structures in a city; thus, monitoring and maintenance of urban and intercity communication networks are always among the most used cases of urban management.
 
Materials & Methods
In the upcoming research, various supervised classification methods, such as K-Nearest Neighbors, Artificial Neural Network, Support Vector Machine, Maximum Likelihood, and Minimum Distance, and object-oriented classification methods, such as Random Forest, Decision Tree, Naïve Bayes, and fusion of sentinel-2 images and drone images, by using the Gram-Schmidt algorithm were used to investigate asphalt damage, including asphalt cracking and wear, in order to provide the best method for investigation. Also, to study the lifespan of asphalt, first, the spectral profile of different points of asphalt was drawn. Then, it was compared with the existing spectral libraries and classified via classification based on the threshold limit.
 
Research findings
The obtained results indicated that in the supervised method, the algorithm of support vector machine achieved the highest accuracy with an overall accuracy of 90% and a kappa coefficient of 87%. Similarly, in the section of object-oriented algorithms, the method of support vector machine achieved the best accuracy with an overall accuracy of 91% and a kappa coefficient of 86%. The higher accuracy of the algorithm of support vector machine was probably due to the preparation of a more optimal decision boundary compared to other algorithms. Also, the minimum distance method obtained the lowest accuracy among all the classification algorithms. The inaccuracy of the shortest distance algorithm in road classification was proven in the research conducted by Li et al. (2020). The results also showed that the most optimal algorithm investigated in the current research, i.e., the support vector machine, in the fused image of the UAV with satellite images, increased the overall accuracy and Kappa coefficient up to 93% and 91%, respectively. This increase indicated the effective role of fusion in increasing classification accuracy, which was probably the result of merging the higher radiometric power of the Sentinel-2 image with an image that had a high spatial resolution of the UAV. Moreover, the results of this research revealed the higher accuracy of the threshold method with an overall accuracy of 80% and a Kappa coefficient of 90% compared to the object-oriented classification of the support vector machine for distinguishing worn asphalt from less worn asphalt.
Discussion of Results & Conclusion
The results demonstrated that the supervised methods of support vector machine with a kappa coefficient of 87% and overall accuracy of 90% provided the best and shortest distance method with the kappa coefficient and overall accuracy of 57% and 67%, respectively, thus showing the lowest accuracy in the classification of supervised methods. Also, among the object-oriented methods, the algorithm of support vector machine with a kappa coefficient of 86% and overall accuracy of 91% had a more accurate output compared to the other studied algorithms, while the lowest accuracy was related to the nearest neighbor algorithm with a kappa coefficient of 78% and an overall accuracy of 80%. In the UAV/Sentinel-2 data fusion, the classification was done by the most optimized algorithm, which was the support vector machine in the object-oriented method and the results showed an increase in classification accuracy with the kappa coefficient of 91% and  overall accuracy of 93%. Mansourmoghaddam et al. (2022) also proved an increase in classification accuracy after fusing the Landsat-8 image with images of higher spatial resolution. Also, the thresholding method with a Kappa coefficient of 90% showed the best result for detecting asphalt wear. The efficiency of using the the threshold method to separate asphalt into two defined classes was proven in the research conducted in this field by Kim et al. (2012) and Amelian et al. (2014) as well. The results of this research are suitable for municipal and road construction organizations to monitor the asphalt conditions of urban roads and increase road safety, as well as sustainability of cities and citizens' well-being, while spending less money, time, and manpower.
 
References
- Aiazzi, B., Alparone, L., Baronti, S., & Selva, M. (2007). MS þ Pan image fusion by an enhanced Gram–Schmidt spectral sharpening. 26th Earsel Symp New Dev. Challenges Remote Sensing.
- Akbari Mutlaq, A., & Mirzaei, I. (2017). Sustainable development in pavement. (n.p) (in Persian).
- Aksoy, A., Şamlioglu, K., Tayfur, S., & Özen, H. (2005). Effects of various additives on the moisture damage sensitivity of asphalt mixtures. Journal of Construction and Building Materials, 19(1), 11-18.
- Alavi Panah, S. K. (2003). Application of remote sensing in earth sciences (soil sciences). Tehran: Tehran University Press (in Persian).
- Alimjan, G., Sun, T., Liang, Y., Jumahun, H., & Guan, Y. (2018). A new technique for remote sensing image classification based on combinatorial algorithm of SVM and KNN. International Journal of Pattern Recognition and Artificial Intelligence, 32(07), 1859012.
- Alizade Rabiei, H. (1993). Remote sensing (principles and applications). Organization for studying and compiling humanities books of universities (Department). Geography, 9, 289-292 (in Persian).
- Atkinson, P. M., & Tatnall, A. R. (1997). Introduction neural networks in remote sensing. International Journal of Remote Sensing, 18(4), 699-709.
- Bekkari, A., Idbraim, S., Elhassouny, A., Mammass, D., El Yassa, M., & Ducrot, D. (2012). Spectral and spatial classification of high resolution urban satellites images using haralick features and SVM with SAM and EMD distance metrics. International Journal of Computer Applications, 46(11), 28-37.
- Belgiu, M., &  Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31.
- Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2-16.
- Blaschke, T., Hay, G. J., Kelly, M., Lang, S., Hofmann, P., Addink, E., . . . Van Coillie, F. (2014). Geographic object-based image analysis–towards a new paradigm. ISPRS Journal of Photogrammetry and Remote Sensing, 87, 180-191.
- Breiman, L. (1996). Bagging predictors. Journal of Machine Learning, 24(2), 123-140.
- Cox, G., Curphey, D., Fronek, D., & Wilson, J. (1986). Remote video sensing of highway pavements at road speeds: Using the Motorola 68020 microprocessor. Computer‐Aided Civil and Infrastructure Engineering, 1(1), 1-13.
- Cubero-Fernandez, A., Rodriguez-Lozano, F., Villatoro, R., Olivares, J., & Palomares, J. M. (2017). Efficient pavement crack detection and classification. EURASIP Journal on Image and Video Processing, 2017(1), 1-11.
- Gonzalez-Audicana, M., Garcia, R., & Herrero-Isern, J. (2003). Fusion of multispectral and panchromatic images using new methods based on wavelet transforms-Evaluation of crop classification accuracy. Geoinfor. Eur. Wide Integr, 265-272.
- Guo, H. (2010). Understanding global natural disastersand the role of earth observation. International Journal of Digital Earth, 3(3), 221-230.
- Hartgen, D. T., Fields, M. G., & Feigenbaum, B. (2014). 21st annual report on the performance of state highway systems(1984-2012). (n.p).
- Hoang, N. D., & Nguyen, Q. L. (2019). A novel method for asphalt pavement crack classification based on image processing and machine learning. Journal of Engineering with Computers, 35(2), 487-498.
- Huang, C., Davis, L., & Townshend, J. (2002). An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23(4), 725-749.
- Jog, S., & Dixit, M. (2016). Supervised classification of satellite images. 2016 Conference on Advances in SignalProcessing (CASP).
- Kim, H., Sim, S. H., & Cho, S. (2015). Unmanned aerial vehicle (UAV)-powered concrete crack detection based on digital image processing. In International Conference on Advances in Experimental Structural Engineering.
- Kim, H., Soleymani, H., Han, S. H., & Nam, H. (2006). Evaluation of asphalt pavement crack sealing performance using image processing technique. Proceedings of the International Symposium on Automation and Robotics in Construction (ISARC), Tokyo, Japan.
- Kim, Y. R., Pinto, I., & Park, S. W. (2012). Experimental evaluation of anti-stripping additives in bituminousmixtures through multiple scale laboratory test results. Journal of Construction and Building Materials, 29, 386-393.
- Kingston, G. B., Lambert, M. F., & Maier, H. R. (2005). Bayesian training of artificial neural networks used forwater resources modeling. Journal of Water Resources Research, 41(12).
- Koch, C., Georgieva, K., Kasireddy, V., Akinci, B., & Fieguth, P. (2015). A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure. Journal of Advanced Engineering Informatics, 29(2), 196-210.
- Li, X., Liu, L., & Huang, L. (2020). Comparison of several remote sensing image classification methods basedon envi. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences,42, 605-611.
- Li, Z., Cheng, C., Kwan, M. P., Tong, X., & Tian, S. (2019). Identifying asphalt pavement distress using UAV LiDAR point cloud data and random forest classification. ISPRS International Journal of GeoInformation, 8(1), 39.
- Mahvash Mohammadi, N., & Hazarkhani, A. (2019). Comparison of classification methods of support vector machine and maximum likelihood for the separation of change units of flat dome area. Geology of Iran, 53(14) (in Persian).
- Mansourmoghaddam, M., Ghafarian Malamiri, H. R., Arabi Aliabad, F., Fallah Tafti, M., Haghani, M., & Shojaei,S. (2022). The Separation of the Unpaved Roads and Prioritization of Paving These Roads UsingUAV Images. Journal of Air, Soil and Water Research, 15, 11786221221086285.
- Mansourmoghaddam, M., Rousta, I., Ghaffarian, H., & Mokhtari, M. H. (2022). Evaluating the capability ofspatial and spectral fusion in land-cover mapping enhancement. Journal of Earth Observation and Geomatics Engineering, 6(1).
- Mansourmoghaddam, M., Rousta, I., Zamani, M. S., Mokhtari, M. H., Karimi Firozjaei, M., & Alavipanah, S. K. (2022a). Investigating and modeling the effect of The composition and arrangement of the landscapesof Yazd city on the land surface temperature using machine learning and landsat-8 and sentinel-2data. Iranian Journal of Remote Sensing & GIS, (in press). https://doi.org/10.52547/gisj.2022.223918.1060.
- Mansourmoghaddam, M., Rousta, I., Zamani, M. S., Mokhtari, M. H., Karimi Firozjaei, M., & Alavipanah, S. K. (2022b). Studying and predicting the changes in ground surface temperature in Yazd city: investigating the effect of proximity and land cover changes. Remote Sensing and Geographical Information System in Natural Resources, 12(4), 1-27 (in Persian).
- Maroofi, S., Pak Shir, A. H., & Khorasgani, A. (2015). Investigation of warm asphalt and hot asphalt and its impact on sustainable development (review article). Isfahan International Conference on Sustainable Development and Urban Development (in Persian).
- Mettas, C., Themistocleous, K., Neocleous, K., Christofe, A., Pilakoutas, K., & Hadjimitsis, D. (2015). Monitoringasphalt pavement damages using remote sensing techniques. Third international conference on remotesensing and geoinformation of the environment (RSCy2015).
- Mokhtari, Mohammad. H., & Najafi, A. (2014). Comparison of classification methods of support vector machine and artificial neural network in extracting land uses from Landsat satellite images. TM Soil and Water Sciences, 19(72), 35-45 (in Persian).
- Pal, M., & Mather, P. M. (2001). Decision tree based classification of remotely sensed data. 22nd Asian conference on remote Sensing.
- Pan, Y., Zhang, X., Cervone, G., & Yang, L. (2018). Detection of asphalt pavement potholes and cracks basedon the unmanned aerial vehicle multispectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(10), 3701-3712.
- Richards, J. A., & Richards, J. (1999). Remote sensing digital image analysis (Vol. 3). Springer.
- Safavian, S. R., & Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE Transactions Onsystems, Man and Cybernetics, 21(3), 660-674.
- Sankarasrinivasan, S., Balasubramanian, E., Karthik, K., Chandrasekar, U., & Gupta, R. (2015). Health monitoringof civil structures with integrated UAV and image processing system. Procedia Computer Science, 54, 508-515.
- Some, L. (2016). Automatic image-based road crack detection methods KTH. (n.p).
- Statistical Center of Iran. (2019). Statistical Yearbook of Yazd Province. National Portal of Statistics (in Persian).
- Taghipour, A. A., Rasouli, H., & Family, A. (2017). Investigating the power of accurate drone images in evaluating the asphalt wear phenomenon (case example: Alwar Safli village, near Tabriz city). Journal of Transportation Infrastructure Engineering, 4(15), 99-115 (in Persian).
- Vapnik, V. (1999). The nature of statistical learning theory. Springer Science & Business Media.
- Wettschereck, D., Aha, D .W., & Mohri, T. (1997). A review and empirical evaluation of feature weighting methods for a class of lazy learning algorithms. Artificial Intelligence Review, 11(1), 273-314.
- Zhang, C. (2008). An UAV-based photogrammetric mapping system for road condition assessment. Int. Arch.Photogramm. Remote Sens. Spatial Inf. Sci, 37, 627-632.
- Zhang, S., Bogus, S. M., Lippitt, C. D., Neville, P. R., Zhang, G., Chen, C., & Valentin, V. (2015). Extracting pavement surface distress conditions based on high spatial resolution multispectral digital aerialphotography. Photogrammetric Engineering & Remote Sensing, 81(9), 709-720.
- Zhao, L., Shi, Y., Liu, B., Hovis, C., Duan, Y., & Shi, Z. (2019). Finer classification of crops by fusing UAV images and Sentinel-2A data. Journal of Remote Sensing, 11(24), 3012.
 

Keywords

Main Subjects

Full Text

مقدمه

راه‌های ارتباطی جزو مهم‌ترین و اصلی‌ترین ساختارهای موجود در سطح یک شهر هستند؛ بنابراین پایش و نگهداری از شبکه‌های ارتباطی شهری و بین ‌شهری همواره جزو موارد پرکاربرد در حوزۀ عمران و مدیریت شهری است (Some, 2016). با در نظر گرفتن راهکارهایی به‌منظور پایش به‌موقع و همه‌جانبۀ آسفالت خیابان با استفاده از نقشه‌هایی برای تعیین میزان خرابی یا طبقه‌بندی روسازی‌ها، مدیریت بهتری به‌منظور اولویت‌دهی به تعمیرات یا نگهداری روسازی‌ها وجود دارد (Cubero-Fernandez et al., 2017). این مسئله نیازمند صرف هزینه‌های بسیاری برای به دست آوردن اطلاعات موردنیاز آسیب‌های آسفالت و همچنین زمان زیادی است که به‌نوبۀ خود موجب کندشدن زمان رسیدگی به مسیرها می‌شود (Koch et al., 2015). آسفالت‌هایی که در معرض ترافیک و شرایط جوی متفاوت قرار دارند، دچار فرسایش می‌شوند و از بین می‌روند (Aksoy et al., 2005). آسیب‌های موجود در آسفالت خیابان باعث ایجاد مشکلاتی ازجمله آسیب به اتومبیل‌های در حال حرکت، ایجاد نویز، آسیب‌های جدی‌تر روسازی در آینده، هزینه‌های بیشتر برای ترمیم آن و مشکلاتی از این قبیل می‌شوند. در این راستا، باید به‌منظور کنترل کیفیت و تعمیر و نگهداری از راه‌ها در هر یک از سطوح مقدار زیادی پول و زمان صرف کرد (Zhang et al., 2015).

یکی از روش‌های کنترل آسیب‌های مربوط به آسفالت، بهره‌گیری از تکنیک های مبتنی بر روش‌های سنجش از دور و استفاده ازتصاویر پهپادی و ماهواره‌ای است (Cubero-Fernandez et al., 2017) که علاوه بر جامعیت و دقت زیاد، بسیار کم‌هزینه و البته سریع است و در مقایسه با روش‌های قدیمی که بررسی سطح راه‌ها از سوی کارگران و کارشناسان فنی و به‌صورت حضور در محل و بازدید میدانی صورت می‌گرفت، ازلحاظ زمانی و مالی بسیار مقرون‌به‌صرفه‌تر است (Zhang et al., 2015). در چند سال گذشته، تکنیک‌های هوابرد سنجش ‌از دور به دلیل وسعت تحت پوشش زیاد، بیشتر موردتوجه پژوهشگران قرار گرفته است (Mansourmoghaddam, et al., 2022). البته این روش خود ایراداتی دارد که از آن جمله ضرورت دارابودن دقت مکانی زیاد برای تشخیص ترک‌ها نام برده می‌شود (Guo, 2010). پیشرفت‌های اخیر سنجش از راه دور، به‌طور مؤثر جمع‌آوری تصاویر را با وضوح زیاد (محدودۀ کمتر از 10 سانتی‌متر) و تصاویر هوایی رنگ طبیعی را با هزینۀ کم ممکن کرده که این مورد بسته به نوع و ارتفاع پرواز سکوهای پهپادی، دقت‌های مکانی متفاوتی دارد (تقی پور و همکاران، 1397).

پهپادها به دلیل ارتفاع پرواز قابل‌کنترل برای پایش معابر بسیار مناسب هستند؛ زیرا به دلیل بالارفتن قدرت تفکیک مکانی اندازۀ پیکسل‌های موجود در تصاویر تا حد زیادی کاهش داده می‌شود و به یک جزء از چندین جزء موجود در یک پیکسل می‌رسد که در ارائۀ نتایج بسیار دقیق‌تر و مناسب‌تر خواهد بود (Sankarasrinivasan et al., 2015). برای رسیدگی به معابر نیاز به تصاویری است که نشان‌دهندۀ بهترین قدرت تفکیک مکانی لازم برای شناسایی نوع و اطلاعات مکانی دقیقی از محل آسیب‌دیدگی معابر باشد و با تولید نقشه‌های مشخص و دقیق به‌سادگی انواع آسیب‌ها و مکان آنها را جست‌وجو کند (Kim et al., 2015). از طرفی، تقسیم‌بندی آسفالت‌ها بین طبقات مختلف، روند رسیدگی به خیابان‌ها را سرعت می‌بخشد (Zhang, 2008). در فرسودگی آسفالت، میزان انعکاس بیشتر و بیان می‌شود که ویژگی جذب یا انعکاس امواج با تغییر از فاز مواد هیدروکربن (مانند آسفالت تازه و سالم) به فاز مواد معدنی (کم شدن مواد روغنی و قیری آسفالت) تغییر پیدا می‌کند (Mettas et al., 2015). علاوه بر آن، در زمان‌هایی که امکان دسترسی به تصاویر پهپادی در شرایط خاصی وجود ندارد یا هدف بررسی و استفاده از قدرت تفکیک طیفی است و چون زیادکردن قدرت تفکیک طیفی پهپادها نیازمند حسگرهای دقیق و پرهزینه‌ای است، در چنین شرایطی با تلفیق تصاویر ماهواره‌ای و پهپادی از قدرت تفکیک مکانی بالای پهپاد و قدرت تفکیک طیفی ماهواره‌ها بهره برده می‌شود (Zhao et al., 2019).

پایش وضعیت آسفالت از راه دور برای اولین بار در سال 1980، با نصب سنسورهای الکترونیکی روی ماشین‌ها انجام شد که دارای فیلم‌برداری دیجیتال، عکس‌برداری و سنسورهای لیزری بودند (COX et al., 1986). هوانگ[1] و نگوین[2] (2019)، در پژوهشی اقدام به ایجاد یک مدل خودکار از سوی تکنیک‌های پردازش تصویر با استفاده از تصاویر پهپادی و الگوریتم یادگیری ماشین نظیر جنگل تصادفی، ماشین بردار پشتیبان و شبکۀ عصبی برای طبقه‌بندی کردند که نتایج نشان‌دهندۀ آن بود که ماشین بردار پشتیبان به بیشترین میزان دقت طبقه‌بندی یعنی 5/87 درصد و پس ‌از آن شبکۀ عصبی مصنوعی با 25/84 درصد و جنگل تصادفی با70 درصد دست ‌یافت (Hoang & Nguyen, 2019). لی[3] و همکاران (2019) با هدف آشکارسازی مشکلات آسفالت به‌وسیلۀ داده‌های پهپادی و لیدار و همچنین طبقه‌بندی جنگل تصادفی اقدام به تشخیص آسیب‌های آسفالت کردند که نتیجۀ آن با ضریب کاپا ۹۲ درصد برای ویژگی‌های مطرح‌شده در پژوهش مناسب بودند که شامل درز، ترک و آسیب‌دیدگی سطحی هستند (Li et al., 2019). یفان پن و همکاران (2018) نیز با هدف تشخیص آسیب‌دیدگی آسفالت به‌وسیلۀ تصاویر پهپادی با استفاده از تصاویر چند طیفی پهپادی و شبکۀ مصنوعی و ماشین لرنینگ برای طبقه‌بندی تصاویر استفاده کردند که نتیجۀ آن اثبات کارایی زیاد روش‌های سنجش ‌از دور و تصاویر پهپادی برای آشکارسازی آسیب‌دیدگی‌های آسفالت بود (Pan et al., 2018). عامری و همکاران (۱۳۹۷) با هدف استخراج ترک جاده‌های بین‌شهری به کمک تصاویر پهپادی با روش پیشنهادی شامل شش مرحلۀ تولید تصاویر، جداکردن جاده از محیط اطراف، شناسایی و حذف عوامل مزاحم، پیش‌پردازش تصاویر، ترکیب فیلترهای مورفولوژی همراه با ویژگی‌های به هم‌پیوستگی عوارض و انتخاب کاندید ترک‌ها، اعمال کلاسه‌بندی ماشین بردار پشتیبان و درنهایت، بازبینی نهایی تصویر و ارائۀ نقشۀ ترک اقدام به تشخیص آسیب‌های موجود در آسفالت کردند که نتایج حاصل از پیاده‌سازی روش پیشنهادی نشان‌دهندۀ موفقیت ۳۱/۹۸ درصدی در استخراج ترک‌ها بود.

راه‌های ارتباطی جزو مهم‌ترین و اصلی‌ترین ساختارهای موجود در سطح یک شهر هستند (Some, 2016)؛ همچنین ایمنی راه‌ها تا حد زیادی وابسته به سلامت جاده‌هاست (Cubero-Fernandez et al., 2017). از طرفی، ساخت‌وساز و تعمیر و نگهداری زیرساخت‌های حمل‌ونقل نیازمند مقادیر بسیار زیادی از مصرف مواد، انرژی ورودی و سرمایه‌گذاری است و از این رو، این عوامل از علل ایجاد موانع جالب‌توجهی در ایجاد توسعۀ پایدار به شمار می‌آیند (معرفی et al., 1395). در گذشته پیشینۀ کنترل وضعیت راه توسط کارشناسانی انجام می‌شده است که با حضور در محل آسیب‌دیدگی، دربارۀ شرایط آسفالت تصمیم‌گیری می‌کردند (Kim et al., 2006)؛ اما از آنجا که روش‌های سنتی موجب صرف هزینه‌های سرسام‌آور گاهی تا 67 بیلیون دلار در سال و همچنین زمان‌برشدن و کندی روند رسیدگی به آسیب‌های سطحی می‌شود (Koch et al., 2015)، استفاده از روش‌های سنجش از دور و تصاویر پهپادی و ماهواره‌ای با قدرت تفکیک مکانی زیاد سبب کاهش هزینه و زمان و تسهیل پایش وضعیت راه‌ها می‌شود؛ بنابراین در پژوهش پیش رو سعی بر این شد تا با استفاده از سنجش از دور و تصاویر پهپادی و ماهواره‌‌ای با امکان‌سنجی و نیز یافتن روشی بهینه ازنظر تکنیکی و زمانی و مالی، آسیب‌های مربوط به آسفالت خیابان‌ها بررسی شود تا با صرف هزینه و زمان کمتر و دقت بیشتر به تحلیل آسیب‌ها در خیابان‌های شهری و علل و عوامل آن توجه و به این شکل روند رسیدگی به معابر سریع شود.

 

مواد و روش‌‌شناسی پژوهش

منطقۀ موردمطالعه

شهر یزد، مرکز استان و شهرستان یزد است که جزو ۱۸ کلان‌شهر ایران محسوب می‌شود و در مجاورت کویر مرکزی ایران قرار گرفته است. شهر یزد در مرکز استان یزد قرار دارد و در محدودۀ 54 درجه و 18 دقیقه تا 54 درجه و 24 دقیقۀ طول شرقی و 31 درجه و 40 دقیقه تا 31 درجه و 5۶ دقیقه عرض شمالی واقع ‌شده است. این شهر مساحتی برابر با 110 کیلومترمربع دارد (منصور مقدم و همکاران، 1400الف) که پژوهش پیش رو در محدوده‌ای از شهر یزد با مساحت 6999 مترمربع انجام شده است. از مجموع 6/287 کیلومتر راه استان یزد، 7/139 کیلومتر راه بین شهری است که از این مقدار، 5/96 کیلومتر را بزرگراه، 1/26 کیلومتر را راه اصلی و 1/17 کیلومتر را راه فرعی تشکیل داده است (مرکز آمار ایران، 1399).

 

شکل (1) نقشۀ شهر یزد به‌همراه موقعیت منطقۀ موردمطالعه

Figure (1) Map of Yazd city with the location of the studied area

داده‌های استفاده‌شده

در پژوهش حاضر از تصاویر پهپادی (RGB) برداشت‌شده از معابر شهر یزد با قدرت تفکیک ۵ سانتی‌متری استفاده شد؛ همچنین از تلفیق تصاویر پهپادی با ماهواره‌ای سنتینل-2 سنسور MSI[4] (جدول 1) برای آشکارسازی آسیب‌های روسازی آسفالت خیابان‌ها (ترک‌خوردگی، شیارشدگی و چاله‌های موجود در آن) و طبقه‌بندی براساس طول عمر استفاده شد.

جدول (1) مشخصات تصاویر سنتینل -2 استفاده‌شده در پژوهش پیش رو

Table (1) Characteristics of Sentinel-2 images used in the upcoming research

باند

قدرت تفکیک مکانی (متر)

طول‌موج (نانومتر)

باند

قدرت تفکیک مکانی (متر)

طول‌موج (نانومتر)

۲

۱۰

۴۹۰

۶

۲۰

۷۴۰

۳

۱۰

۵۶۰

۷

۲۰

۷۸۳

۴

۱۰

۶۶۵

۸

۱۰

۸۴۲

۵

۲۰

۷۰۵

 

روش‌شناسی پژوهش

در پژوهش پیش رو ابتدا با استفاده از تکنیک‌های طبقه‌بندی نظارت‌شده در نرم‌افزار انوی[5] و شیء‌گرا در نرم‌افزار ایکاگنیشن[6] بهترین روش برای تشخیص و جداسازی ترک و آسفالت انجام گرفت. سپس با ادغام تصاویر پهپادی با ماهواره‌ای سنتینل -2 و پهپادی و اجرای بهترین الگوریتم طبقه‌بندی به‌دست‌آمده از ارزیابی دقت مرحلۀ پیشین، اقدام به طبقه‌بندی مجدد تصویر برای تفکیک آسفالت از ترک شد. در پژوهش حاضر به‌منظور بررسی عمر آسفالت با توجه به منحنی پروفایل طیفی موجود برای آسفالت و رسم پروفایل طیفی برای محدودۀ موردبررسی از دو روش طبقه‌بندی و حد آستانه استفاده شد. برای تفکیک خیابان در تصاویر پهپادی، ماهواره‌ای و تلفیق آنها انواع تکنیک‌های طبقه‌بندی (شی‌ءگرا و پیکسل مبنا) اعمال شده است تا بهینه‌ترین روش برای تفکیک به دست بیاید. سپس با آن خیابان از دیگر عناصر موجود در محیط تمایز خواهد یافت.

تفکیک آسفالت از ترک

در پژوهش حاضر، به‌منظور شناسایی و استخراج درزها و ترک‌ها انواع روش‌های طبقه‌بندی شامل طبقه‌بندی‌های نظارت‌شده، نظارت‌نشده و شی‌ءگرا روی تصاویر پهپادی و ماهواره‌ای و تلفیق آنها اعمال شد تا پس از تشخیص مناسب‌ترین روش طبقه‌بندی، با بررسی نتایج خروجی و بررسی هر یک از آنها بهترین روش طبقه‌بندی تفکیک آسفالت از ترک انتخاب شود.

روش‌های طبقه‌بندی نظارت‌شده

 طبقه‌بندی نظارت‌شده جزو طبقه‌بندی‌های پیکسل مبنا بوده و انتخاب داده‌های آموزشی و پوشش‌های مختلف برای طبقه‌بندی ضروری است. در طبقه‌بندی نظارت‌شده تحلیلگر پیکسل‌های مربوطه را انتخاب کرده است. سپس با توجه به ویژگی‌ها پیکسل انتخابی طبقه‌بندی شکل می‌گیرد (Jog & Dixit, 2016). به‌منظور پیاده‌سازی الگوریتم‌های نظارت‌شده در پژوهش حاضر، برای هر کلاس، بالغ بر 500 نمونۀ آموزشی انتخاب شده است که 150 نمونه از بازدید حضوری و 50 نمونه از تصویر براساس تجربۀ کاربر برای اعتبارسنجی و 300 نمونه از تصویر به‌منظور ورودی الگوریتم انتخاب شد.

نزدیک‌ترین همسایه (K Nearest Neighbors)

الگوریتم نزدیک‌ترین همسایه (KNN) در سال 1997 از سوی آها[7] و همکارانش ارائه شده است (Wettschereck et al., 1997) و از این نظر الگوریتم ساده‌ای است که از هیستوگرام شاخص‌های طیفی مجزا و نمونه‌های آموزشی استفاده می‌کند. از معایب این روش، این است که در برخی نواحی تصویر، پیکسل‌ها طبقه‌بندی نشده‌اند یا برخی از آنها در یک کلاس قرار می‌گیرند و با یکدیگر هم‌پوشانی دارند (Alimjan et al., 2018). به‌منظور ارزیابی عملکرد این الگوریتم روی تصاویر پهپادی با هدف تفکیک آسفالت از ترک، این روش طبقه‌بندی در محیط انوی[8] پیاده‌سازی شد.

شبکۀ عصبی مصنوعی (Artificial Neural Network)

 شبکه‌های عصبی مصنوعی (ANN) شبیه‌سازی‌های الهام‌گرفته از متغیرهای آزمایشی هستند که برای انجام وظایف خاص مانند تشخیص الگو، خوشه‌بندی، طبقه‌بندی و غیره انجام می‌شوند. هر پارامتر که گاهی به‌عنوان نورون نیز شناخته می‌شود، تابعی است که پس از دریافت یک یا چند ورودی، خروجی تولید می‌کند. سپس خروجی به لایۀ بعدی نورون‌ها منتقل می‌شود و خروجی‌های بیشتری تولید می‌کند. خروجی‌ها به لایۀ بعدی نورون‌ها منتقل می‌شوند و به همین ترتیب ادامه می‌یابند تا زمانی که هر لایۀ نورون در نظر گرفته شود و نورون‌های انتهایی ورودی خود را دریافت کنند (Atkinson, 1997). برای طبقه‌بندی تصویر با روش ANN در پژوهش حاضر، از الگوریتم پیاده‌سازی شده در نرم‌افزار انوی استفاده شد.

الگوریتم یادگیری ماشین (Support Vector Machine)

ماشین بردار پشتیبان (SVM) روش طبقه‌بندی نظارت‌شده است که از تئوری یادگیری آماری مشتق شده است و اغلب نتایج طبقه‌بندی خوبی را از داده‌های پیچیده به دست می‌دهد. این الگوریتم با در نظر گرفتن مرزی بین داده‌ها کلاس‌ها را ایجاد می‌کند (Vapnik, 1999). عملکرد اساسی این الگوریتم یافتن یک ابر صفحۀ بهینه به‌منظور سطح تصمیم‌گیری به روشی است که حاشیۀ (مرز) بین دو کلاس را بیشینه کند. در صورتی که داده‌ها به‌صورت خطی جداپذیر نباشند، داده‌ها با کرنلی غیر خطی به فضایی با ابعاد بیشتر برده می‌شوند تا در آنجا ابر صفحه‌ای بهینه تشکیل شود. (Bekkari et al., 2012).

بیشترین احتمال (Maximum Likelihood)

در طبقه‌بندی حداکثر احتمال (ML) از ارزیابی واریانس و کوواریانس کلاس‌ها استفاده می‌شود و فرض بر آن است که داده‌ها برای هر کلاس در هر باند به‌طور نرمال توزیع شده است. به این ترتیب، احتمال تعلق پیکسل معین به کلاس خاص محاسبه می‌شود. در این روش، که الگوریتم پیاده‌سازی‌شدۀ آن در نرم‌افزار انوی مورداستفادۀ پژوهش حاضر قرار گرفت، هر پیکسل به کلاسی اختصاص داده می‌شود که بیشترین احتمال تعلق را به آن کلاس دارد (Richards & Richards, 1999).

کمترین فاصله (Minimum Distance)

الگوریتم کمترین فاصله (MD) در مرحلۀ اول میانگین همۀ طبقات را که با استفاده از روش تعیین نقاط تعلیمی تفکیک شده‌اند و سپس فاصلۀ اقلیدسی بین بازتاب هر پیکسل را از میانگین تمام طبقه‌ها محاسبه می‌کند. در این روش هر پیکسل به طبقاتی تعلق دارد که کمترین مقدار فاصله را تا میانگین آن کلاس داشته باشد. الگوریتم کمترین فاصله ازنظر ریاضی پیچیده نبوده و ازنظر محاسباتی نیز مناسب است (علیزاده ربیعی، 1372). به‌منظور اعمال این الگوریتم بر تصاویر پژوهش حاضر، از نرم‌افزار انوی استفاده شد.

طبقه‌بندی شی‌ء‌گرا (Object Base Image Analysis)

طبقه‌بندی شیء‌گرا (OBIA) به‌منظور تشخیص بهتر الگوی طبقه‌بندی، از الگوی شبیه به الگوی تشخیص انسان برای بهبود عملکرد طبقه‌بندی استفاده می‌کند (Blaschke, 2010). روش شی‌ء‌گرا اطلاعات بهتر و دقیق‌تری را نسبت به روش‌های پایه ارائه می‌دهد (Blaschke et al., 2014).

طبقه‌بندی‌کنندۀ جنگل تصادفی (Random Forest)

الگوریتم طبقه‌بندی جنگل تصادفی (RF) یک طبقه‌کنندۀ گروهی است و به‌صورت مجموعه‌ای از درختان طبقه‌بندی‌کنندۀ متفاوت عمل می‌کند (Breiman, 1996). در این روش، طبقه‌بندی‌کننده مجموعه‌ای است که درخت‌های تصمیم‌گیری متعددی را با استفاده از زیرمجموعه‌ای از نمونه‌های آموزشی و متغیرهای انتخاب‌شده به‌طور تصادفی تولید می‌کند. جنگل‌ تصادفی یک الگوریتم یادگیری ماشینی نظارت‌شده است که به‌طور گسترده در مسائل رگرسیون و طبقه‌بندی استفاده می‌شود (Belgiu & Drăguţ, 2016).

درخت تصمیم‌گیری (Decision Tree)

الگوریتم درخت تصمیم‌گیری (DT) رویکردی شیء‌گرا در طبقه‌بندی تصاویر ماهواره‌ای است که در آن به فرض خاصی در توزیع داده‌های ورودی نیاز نبوده و این مهم‌ترین تفاوت الگوریتم DT با الگوریتم‌های پارامتریک و انتخابی است (Safavian & Landgrebe, 1991). این رویکرد از یک گره یعنی کل داده‌ها و گره میانی یعنی شاخه‌ها و گره پایانی یعنی برگ تشکیل شده است؛ بنابراین هر عارضه به‌صورت طبقه‌ای گروه‌بندی می‌شود تا به گره پایانی برسد که تعلق نهایی به یک کلاس است (Pal & Mather, 2001).

الگوریتم بیز (Bayes)

 یک شبکۀ بیزی در بیانی ساده نمایشی از واکنش‌های متقابل متغیرهایی است که باید طبق یک الگو پیش بروند. علاوه بر آن، کیفیت و کمیت بین الگوها را نیز در طبقه‌بندی دخیل می‌کند. با استفاده از قضیۀ بیز و توجه به رخداد B، احتمال وقوع A پیدا می‌شود که در این صورت B مدرک و A فرضیه است. فرضی که در این الگوریتم مطرح است، این است که پیش‌بینی‌کننده‌هاd  ویژگی‌های مستقل هستند؛ یعنی وجود یک ویژگی خاص بر دیگری تأثیر نمی‌گذارد (Kingston et al., 2005).

ادغام تصاویر (Fusion)

ادغام تصاویر سنجش از دور با هدف ادغام اطلاعات به‌دست‌آمده با قدرت تفکیک‌های مختلف مکانی، طیفی و زمانی از سنجنده‌های نصب‌شده در ماهواره‌ها، سیستم‌های هوابرد و سنجنده‌های مبتنی بر پایگاه زمینی انجام می‌پذیرد. هدف از این کار، تولید داده‌های جدیدی که حاوی اطلاعات دقیق‌تری از چیزی است، در هر یک از منابع داده‌های منفرد بوده است (Aiazzi et al., 2007). در پژوهش حاضر، برای حصول نتیجۀ بهتر به‌منظور طبقه‌بندی، از تلفیق تصاویر سنتینل -2 و پهپادی استفاده شد. به این ترتیب که با داشتن باند RGB پهپاد و 7 باند از ماهوارۀ سنتینل با استفاده از الگوریتم گرام اشمیت[9] ادغام صورت گرفت. در این ادغام باند آبی و قرمز و سبز پهپاد با باندهای متناظر در سنتینل -2 ترکیب شد؛ همچنین برای افزایش هرچه بیشتر قدرت رادیومتریکی، باندهای 5 تا 8 سنتینل -2 نیز به دلیل نزدیکی طول موج، با باند قرمز پهپاد ادغام شد. برتری الگوریتم گرام اشمیت در آن است که خصوصیات تصویر چند طیفی را با قدرت تفکیک مکانی کم در ترکیب با تصویر حاصل از ادغام آن با داده‌هایی با قدرت تفکیک مکانی زیاد حفظ می‌کند (Gonzalez-Audicana et al., 2003; Mansourmoghaddam et al., 2022).

تفکیک آسفالت فرسوده (عمر آسفالت)

برای طول عمر روسازی‌ها با مطالعۀ منابع موجود (کتابخانه‌های طیفی موجود در کتب و سایت‌های معتبر)، استخراج منحنی‌های طیف‌های به‌دست‌آمده از تصاویر پهپادی و ماهواره‌ای، تشکیل منحنی طیفی محدودۀ بررسی و مقایسه با یکدیگر با توجه به اینکه روسازی‌ها با گذشت زمان دچار تغییرات فیزیکی می‌شوند، به عمر روسازی‌ها پی برده می‌شود (Hartgen et al., 2014)؛ از این رو، به‌منظور طبقه‌بندی و تفکیک آسفالت با طول عمر متفاوت، از دو روش طبقه‌بندی و حد آستانه استفاده شد. در روش طبقه‌بندی از دقیق‌ترین روش یافت‌شده بین روش‌های موردمطالعۀ این پژوهش استفاده شد.

حد آستانه

در این روش طبقه‌بندی، از تکنیک‌های آستانه‌گذاری و برش هیستوگرام استفاده می‌شود. برای طبقه‌بندی به‌صورت مستقیم از خود تصویر استفاده می‌شود. در غیر این صورت با تکنیک‌های پیش و پس پردازش نیز ترکیب می‌شود.

در پژوهش حاضر، ابتدا پروفایل طیفی نقاط مختلف آسفالت ترسیم شد. سپس با مقایسه با کتابخانه‌های طیفی موجود مانند شکل (2) تحلیل و با استفاده از طبقه‌بندی براساس حد آستانه دسته‌بندی شد. به‌منظور طبقه‌بندی، از باندهای طیفی طبقات تصویر موردبررسی استفاده و با توجه به طبقات موجود در تصویر، هر باند به‌منظور طبقه‌بندی کلاس مربوطه به کار برده شد. بعد طبقات اضافی حذف شد تا پوشش آسفالت باقی بماند؛ همان‌طور که در شکل (2) مشاهده می‌شود، هر پوشش دارای منحنی رفتار طیفی منحصربه‌فردی است که با دیگر پوشش‌ها در باندهای مختلف متفاوت است؛ به‌طور مثال، باند مادون قرمز و قرمز برای تشخیص پوشش گیاهی مناسب بوده و باند مادون قرمز و ناحیۀ مرئی برای تشخیص پوشش‌های شهری مناسب است. با توجه به منحنی رفتار طیفی دو نوع آسفالت نمونه‌گیری‌شده و تعیین کمترین و بیشترین مقدار برای طبقه‌بندی با استفاده از حد آستانۀ طبقه‌بندی شد.

 

شکل (2) منحنی درصد بازتاب طیفی برخی مواد در مناطق شهری (علوی‌پناه، 1382)

Figure (2) Spectral reflection percentage curves of some materials in urban areas (Alavi-Panah, 2013)

 

نتایج

طبقه‌بندی با روش‌های نظارت‌شده

براساس نتایج به‌دست‌آمده از طبقه‌بندی با روش‌های نظارت‌شده، روش نزدیک‌ترین فاصله با 9/1365 مترمربع بیشترین و بیشترین شباهت با 2/1891 مترمربع کمترین مساحت را در کلاس آسفالت خروجی داده‌اند. این مقدار در کلاس ترک‌های آسفالت در روش نزدیک‌ترین فاصله با 7/553 مترمربع بیشترین و در روش نزدیک‌ترین همسایه با 5/71 مترمربع کمترین بوده است. این در حالی است که خروجی‌های مساحت دو روش ماشین بردار پشتیبان به‌ترتیب 3/1693 و 5/87 مترمربع برای دو کلاس آسفالت و ترک و شبکۀ عصبی مصنوعی به‌ترتیب 9/1615 و 86 مترمربع برای این دو کلاس مذکور، نزدیک‌ترین مقادیر نسبت‌به هم هستند (جدول 2).

جدول (2) مساحت‌های هر کلاس در طبقه بندی‌های مختلف با روش نظارت‌شده (مترمربع)

Table (2) The areas of each class in different classifications with the supervised method (m2)

 

 

کلاس

نزدیک‌ترین فاصله

بیشترین شباهت

نزدیک‌ترین همسایه

شبکۀ عصبی مصنوعی

ماشین بردار پشتیبان

آسفالت

9/1365

7/1211

2/1891

9/1615

3/1693

ترک

7/553

7/460

5/71

86

5/87

 

نتایج حاصل از ارزیابی دقت طبقه‌بندی به این روش‌ها حاکی از آن است که روش ماشین بردار پشتیبان با ضریب کاپای 87 و دقت کلی 90 درصد بیشترین (جدول ۵ و شکل ۵) و روش کمترین فاصله با ضریب کاپا و دقت کلی به‌ترتیب 57 و 67 (جدول۷ و شکل۷) کمترین دقت را در طبقه‌بندی دارد. روش شبکۀ عصبی مصنوعی که نزدیک‌ترین مقادیر مساحت به روش ماشین بردار پشتیبان را داشته است نیز با ضریب کاپا و دقت کلی به‌ترتیب 85 و 89 در رتبۀ دومین و دقیق‌ترین روش جای گرفته است (جدول ۴ و شکل ۴). دو روش بیشترین شباهت و نزدیک‌ترین همسایه نیز با ضریب کاپا و دقت کلی به‌ترتیب 81 و 85 (جدول ۶ و شکل ۶) و 72 و 79 (جدول ۳ و شکل ۳) به‌ترتیب در رتبۀ سوم و چهارم ازنظر دقت الگوریتم‌های بررسی‌شده قرار گرفتند.

جدول (3) نتایج طبقه‌بندی نزدیک‌ترین همسایه (درصد)

Table (3) Nearest neighbor classification results (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

79

72

6/98

1/86

آسفالت

6/43

4/59

ترک

 

 

شکل (3) طبقه‌بندی نزدیک‌ترین همسایه

Figure (3) Nearest neighbor classification

 

 

جدول (4) نتایج طبقه‌بندی شبکۀ عصبی (درصد)

Table (4) Neural network classification results (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

89

85

7/98

3/90

آسفالت

4/31

6/60

ترک

 

 

شکل (4) طبقه‌بندی شبکۀ عصبی مصنوعی (Neoral Net)

Figure (4) Classification of artificial neural network (Neoral Net)

 

 

 

 

جدول (5) نتایج طبقه‌بندی الگوریتم ماشین بردار پشتیبان (درصد)

Table (5) Classification results of support vector machine algorithm (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

90

87

9/99

4/94

آسفالت

88

7/91

ترک

 

 

شکل (5) طبقه‌بندی الگوریتم ماشین بردار پشتیبان

Figure (5) Support vector machine algorithm classification

 

 

 

جدول (6) نتایج طبقه‌بندی بیشترین شباهت (درصد)

Table (6) Classification results of the Maximum Likelihoo (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

85

81

9/71

7/94

آسفالت

8/86

2/30

ترک

 

 

شکل (6) طبقه‌بندی بیشترین شباهت

Figure (6) Maximum Likelihoo classification

 

 

 

 

 

 

 

جدول (7) نتایج طبقه‌بندی کمترین فاصله (درصد)

Table (7) Classification results of the Minimom distance (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

67

57

8/73

88

آسفالت

9/82

8/25

ترک

 

 

شکل (7) طبقه‌بندی کمترین فاصله

Figure (7) Minimom distance classification

طبقه‌بندی با روش‌های شیء‌گرا

نتایج حاصل از طبقه‌بندی آسفالت و ترک با روش‌های شیءگرا نشان‌دهندۀ آن است که الگوریتم‌های این روش نسبت‌به الگوریتم‌های روش نظارت‌شده نتایج نزدیک به‌هم‌ تری از خود نشان داده‌اند. به این ترتیب، روش ماشین بردار پشتیبان و نزدیک‌ترین همسایه به‌طور مشترک با 3/1489 مترمربع بیشترین و روش بیز با 4/1240 مترمربع کمترین مساحت آسفالت را طبقه‌بندی کرده است. این در حالی است که کمترین میزان ترک با 6/150 مترمربع مربوط به دو الگوریتم ماشین بردار پشتیبان و نزدیک‌ترین همسایه و بیشترین آن برای روش بیز با 1/366 مترمربع بوده است (جدول ۸).

جدول (8) مساحت کلاس‌های طبقه‌بندی‌شده در طبقه‌بندی شیء‌گرا

Table (8) Area of ​​classified classes in object-oriented classification

 

بیز

درخت تصمیم‌گیری

تصادفی جنگل

نزدیک‌ترین همسایه

ماشین بردار پشتیبان

آسفالت

4/1240

2/1301

3/1314

3/1489

3/1489

ترک

1/366

7/312

6/318

6/150

6/150

 

نتایج ارزیابی دقت الگوریتم‌های استفاده‌شده در روش شیء‌گرا نشان‌دهندۀ آن است که در این روش نیز الگوریتم ماشین بردار پشتیبان با ضریب کاپای 86 و دقت کلی 91 خروجی دقیق‌تری نسبت‌به سایر الگوریتم‌های موردمطالعه داشته است (جدول 10 و شکل 7). کمترین دقت بین الگوریتم‌های موردبررسی مربوط به الگوریتم نزدیک‌ترین همسایه با ضریب کاپا و دقت کلی به‌ترتیب 78 و 80 بوده است (جدول ۱۰ و شکل ۹). در همین حال، الگوریتم‌های درخت تصمیم‌گیری (جدول ۱۲ و شکل 1۱) و جنگل تصادفی (جدول ۱۱ و شکل ۱۰) با نتایج مشابه در ضریب کاپا و دقت کلی به‌ترتیب 80 و 87 درصد، به‌صورت مشترک در رتبۀ دوم دقت قرار گرفته‌اند. الگوریتم بیز نیز با ضریب کاپا و دقت کلی به‌ترتیب 79 و 86 درصد در رتبۀ سوم دقت قرار گرفت (جدول ۱۳ و شکل ۱۲).

جدول (9) نتایج طبقه‌بندی الگوریتم ماشین‌ بردار پشتیبان (درصد)

Table (9) Support vector machine algorithm classification results (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

91

86

5/76

2/97

آسفالت

5/73

9/57

ترک

 

 

شکل (8) طبقه بندی شیء‌گرا الگوریتم ماشین بردار پشتیبان

Figure (8) Object-oriented classification of support vector machine algorithm

 

 

جدول (10) نتایج طبقه‌بندی الگوریتم نزدیک‌ترین همسایه (درصد)

Table (10) Classification results of the nearest neighbor algorithm (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

80

78

6/78

1/96

آسفالت

6/83

4/49

ترک

 

 

شکل (9) طبقه‌بندی شیء‌گرا نزدیک‌ترین همسایه

Figure (9) Nearest neighbor object-oriented classificatio

 

 

 

 

 

جدول (11) نتایج طبقه‌بندی شیء‌گرا جنگل تصادفی (درصد)

Table (11) Random forest object-oriented classification results (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

87

80

5/65

92

آسفالت

9/72

2/30

ترک

 

 

شکل (10) طبقه‌بندی شیء‌گرا جنگل تصادفی

Figure (10) Random forest object-oriented classification

 

 

 

جدول (12) نتایج طبقه‌بندی شیءگرا درخت تصمیم‌گیری (درصد)

Table (12) Object-oriented decision tree classification results (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

87

80

3/64

6/93

آسفالت

9/92

5/29

ترک

 

 

شکل (11) طبقه‌بندی شیء‌گرا درخت تصمیم‌گیری

Figure (11) Object-oriented classification of the decision tree

 

 

 

 

جدول (13) نتایج طبقه‌بندی شیء‌گرا بیز(درصد)

Table (13) Object-oriented Bayes classification results (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

86

79

7/56

2/95

آسفالت

3/61

2/15

ترک

 

 

شکل (12) طبقه‌بندی شیء‌گرا بیز

Figure (12) Object-oriented Bayes classification

 

 

نتایج حاصل از طبقه‌بندی روی تصویر فیوژن‌شده

به‌منظور افزایش دقت طبقه‌بندی حاصل از تصویر پهپاد با قدرت مکانی ۵ سانتی‌متری این تصویر با تصاویر سنتینل -2 با رزولوشن ۱۰ متری فیوژن شدند. خروجی حاصل از فیوژن تصویر با قدرت تفکیک مکانی بالای پهپاد و تفکیک طیفی تصاویر ماهواره‌ای نشان‌دهندۀ آن است که این تصویر با خطای جذر میانگین مربعات 30/0 ازنظر هندسی خروجی مناسبی داشته است (شکل 1۳).

 

 

              (A)

                                                          (B)

شکل (13) مقایسۀ تصویر اصلی پهپاد (چپ) با خروجی فیوژن‌شده با تصویر سنتینل -2 (راست)

Figure (13) Comparison of the original UAV image (A) with the fusion output with the Sentinel-2 image (B)

سپس خروجی فیوژن پهپاد با بهینه‌ترین الگوریتم بررسی‌شده، ماشین‌ بردار پشتیبان در روش شیء‌گرا طبقه‌بندی شد. نتایج نشان‌دهندۀ آن بود که افزایش دقت طبقه‌بندی به ضریب کاپای 91 و دقت کلی 93 درصد بود (جدول 1۴ و شکل 1۴).

 

جدول (14) نتایج طبقه‌بندی شیء‌گرا ماشین بردار پشتیبان تصویر فیوژن‌شده (درصد)

Table (14) Results of object-oriented classification of fusion image support vector machine (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

93

91

9/99

8/95

آسفالت

4/88

6/95

ترک

 

 

شکل (14) طبقه‌بندی شیء‌گرا تصویر فیوژن‌شده

Figure (14) Object-oriented classification of the fusion image

 

پایش عمر آسفالت

در پژوهش حاضر به‌منظور طبقه‌بندی آسفالت براساس فرسودگی و عمر آن، از دو روش حد آستانه و طبقه‌بندی با بهینه‌ترین روش موردمطالعه استفاده شد. برای طبقه‌بندی عمر آسفالت با روش حد آستانه، ابتدا پروفایل طیفی دو نوع آسفالت در باند‌های طیفی تصویر فیوژن‌شده استخراج شد (شکل 1۵).

 

شکل (15) طبقه‌بندی حد آستانه

Figure (15) Threshold classification

 نتایج طبقه‌بندی فرسودگی آسفالت (شکل 15) براساس حد آستانه طیفی نشان‌دهندۀ آن است که خروجی آن با ضریب کاپای 90 و دقت کلی 80 دقت مناسبی را ارائه داده است (جدول 1۵).

 

جدول (15) نتایج طبقه‌بندی با حد آستانه (درصد)

Table (15) Classification results with threshold (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

80

90

9/99

6/84

فرسودگی کمتر

6/72

9/99

فرسودگی بیشتر

 

 

 

 

شکل (16) طبقه‌بندی حدآستانه

Figure (16) Threshold classification

 

نتایج طبقه‌بندی عمر آسفالت براساس طبقه‌بندی با الگوریتم شیءگرای ماشین بردار پشتیبان (شکل 16) نشان‌دهندۀ دقت به‌نسبت پایین‌تر این طبقه‌بندی با ضریب کاپا و دقت کلی به‌ترتیب 51 و 72 درصد است (جدول 1۶).

 

جدول (16) نتایج طبقه‌بندی با طبقه‌بندی شئ‌گرا ماشین بردار پشتیبان (درصد)

Table 16- classification results with support vector machine object-oriented classification (percentage)

دقت کلی

ضریب کاپا

دقت تولیدکننده

دقت کاربر

کلاس

72

51

2/77

84

فرسودگی کمتر

2/66

6/97

فرسودگی بیشتر

 

 

شکل (17) طبقه‌بندی شیء‌گرا ماشین بردار پشتیبان

Figure (17) Object-oriented classification of support vector machine

 

جدول (17) مقایسۀ دقت کلی و کاپای طبقه‌بندی‌های انجام‌شده

Table (17) Comparison of the overall accuracy and kappa of the performed classifications

نوع طبقه‌بندی

انواع طبقه‌بندی

کلاس‌ها

دقت

کاربر

دقت تولیدکننده

ضریب کاپا (درصد)

دقت کلی

طبقه‌بندی نظارت شده

الگوریتم نزدیک‌ترین همسایه

آسفالت

۱/۸۶

۶/۹۸

۷۲

۷۹

ترک

۴/۵۹

۶/۴۳

الگوریتم شبکه عصبی

آسفالت

۳/۹۰

۷/۹۸

۸۵

۸۹

ترک

۶/۶۰

۴/۳۱

الگوریتم ماشین بردار پشتیبان

آسفالت

۴/۹۴

۹/۹۹

۸۷

۹۰

ترک

۷/۹۱

۸۸

الگوریتم بیشترین شباهت

آسفالت

۷/۹۴

۹/۷۱

۸۱

۸۵

ترک

۲/۳۰

۸/۸۶

الگوریتم کمترین فاصله

آسفالت

۸۸

۸/۷۳

۵۷

۶۷

ترک

۸/۲۵

۹/۸۲

طبقه‌بندی شیءگرا

الگوریتم ماشین بردار پشتیبان

آسفالت

۲/۹۷

۵/۷۶

۸۶

۹۱

ترک

۹/۵۷

۵/۷۳

الگوریتم نزدیک‌ترین همسایه

آسفالت

۱/۸۲

۶/۵۴

۷۸

۸۰

ترک

۴/۲۱

۶/۶۵

الگوریتم جنگل تصادفی

آسفالت

۹۲

۵/۶۵

۸۰

۸۷

ترک

۲/۳۰

۹/۷۲

الگوریتم درخت تصمیم‌گیری

آسفالت

۶/۹۳

۳/۶۴

۸۰

۸۹

ترک

۵/۲۹

۹/۹۲

الگوریتم بیز

آسفالت

۲/۹۵

۷/۵۶

۷۹

۸۶

ترک

۲/۱۵

۳/۶۱

تصویر فیوژن‌شده

الگوریتم شیءگرای ماشین بردار پشتیبان

آسفالت

۸/۹۵

۹/۹۹

۹۱

۹۳

ترک

۶/۹۵

۴/۸۸

 

با توجه به نتایج به‌دست‌آمده از (جدول ۱۷) نتایج نشان‌دهندۀ آن بود که روش‌های طبقه‌بندی نظارت‌شدۀ ماشین بردار پشتیبان با ضریب کاپای 87 و دقت کلی 90 درصد بیشترین و روش کمترین فاصله با ضریب کاپا و دقت کلی به‌ترتیب 57 و 67 درصد کمترین دقت را در طبقه‌بندی روش‌های نظارت‌شده از خود نشان دادند؛ همچنین بین روش‌های شیء‌گرا، الگوریتم ماشین بردار پشتیبان با ضریب کاپای 86 و دقت کلی 91 درصد خروجی دقیق‌تری نسبت‌به سایر الگوریتم‌های موردمطالعه داشت و کمترین دقت نیز مربوط به الگوریتم نزدیک‌ترین همسایه با ضریب کاپا 78 و دقت کلی 80 درصد بود. در خروجی فیوژن نتایج نشان‌دهندۀ افزایش دقت طبقه‌بندی به ضریب کاپای 91 و دقت کلی 93 درصد بود.

تحلیل نتایج

پژوهش حاضر با هدف امکان سنجی استفاده از تصاویر پهپادی به‌تنهایی و نیز ادغام آنها با تصاویر ماهواره‌ای به‌منظور پایش وضعیت آسفالت راه‌های درون‌شهری شهر یزد و همچنین یافتن بهینه‌ترین الگوریتم طبقه‌بندی این تصاویر به همین منظور با سه روش نظارت‌شده، شیء‌گرا و حد آستانه است. نتایج به‌دست‌آمده نشان‌دهندۀ آن است که طبقه‌بندی آسفالت شهری با استفاده از تصاویر سنجش ‌از دور در روش نظارت‌شده، الگوریتم ماشین بردار پشتیبان با دقت کلی 90 و ضریب کاپای 87 درصد بیشترین دقت را به دست داده است (جدول ۱۷). به‌طور مشابه، در بخش الگوریتم‌های شیء‌گرا نیز مجدد روش ماشین بردار پشتیبان با دقت کلی 91 و ضریب کاپای 86 بهترین دقت را حاصل داد. دقت بیشتر الگوریتم ماشین بردار پشتیبان به دلیل در نظر گرفتن مرز تصمیم‌گیری بهینه‌تر نسبت‌به سایر الگوریتم‌هاست (Huang et al., 2002). پژوهش‌هایی مشابه، دقت و کارایی بیشتر الگوریتم ماشین بردار پشتیبان را در طبقه‌بندی تصاویر به اثبات رسانده‌اند (مختاری و نجفی، 1394؛ فتحی زاد و همکاران، 1395؛ محمدی و هزارخانی، 1399)؛ همچنین روش کمترین فاصله کمترین دقت را بین همۀ الگوریتم‌های طبقه‌بندی به دست داد. نبودِ دقت الگوریتم کمترین فاصله در طبقه‌بندی راه‌ها پیش‌تر نیز در پژوهشی به اثبات رسید که از سوی لی[10] و همکاران انجام شده بود (Li et al., 2020). نتایج نشان‌دهندۀ آن بود که بهینه‌ترین الگوریتم موردبررسی پژوهش حاضر، یعنی ماشین بردار پشتیبان، در تصویر فیوژن‌شدۀ پهپاد با تصاویر ماهواره‌ای، موجب افزایش دقت کلی به 93 و ضریب کاپا به 91 درصد شد. این افزایش نشان‌دهندۀ نقش مؤثر فیوژن در افزایش دقت طبقه‌بندی است که به‌احتمال حاصل از ادغام قدرت رادیومتریکی بالاتر تصویر حاصل از سنتینل -2 به تصویر با قدرت تفکیک مکانی زیاد پهپاد است. منصور مقدم و همکاران نیز افزایش دقت طبقه‌بندی روی تصویر لندست -8 را پس از فیوژن با تصاویر با قدرت تفکیک مکانی بالاتر یعنی سنتینل -2 به اثبات رسانده‌اند (منصور مقدم و همکاران 1400ب)؛ همچنین نتایج این پژوهش نشان‌دهندۀ دقت بیشتر روش حد آستانه با دقت کلی 80 و ضریب کاپای 90 نسبت‌به طبقه‌بندی شیء‌گرای ماشین بردار پشتیبان در تفکیک آسفالت فرسوده از کمتر فرسوده است. بهره‌وری استفاده از روش حد آستانه برای تفکیک آسفالت به دو کلاس معین پیش‌تر نیز در پژوهش‌هایی که در همین زمینه انجام شده، به اثبات رسیده است (Amelian et al., 2014; Kim et al., 2012).

 

نتیجه‌گیری

براساس نتایج به‌دست‌آمده، در طبقه‌بندی نظارت‌شده روش الگوریتم ماشین بردار پشتیبان با روش شبکۀ عصبی مصنوعی نشان‌دهندۀ نتایج نزدیک به هم بود. الگوریتم ماشین بردار پشتیبان بیشترین دقت و روش کمترین فاصله کمترین نتیجه و دقت را در طبقه‌بندی از خود نشان دادند؛ اما در طبقه‌بندی شیء‌گرا نتایج حاکی از آن است که الگوریتم‌های این روش نتایج نزدیک‌تر به هم را نسبت‌به روش‌های نظارت‌شده نشان دادند. در بررسی دقت‌های حاصله از طبقه‌بندی روش‌های شیء‌گرا روش ماشین بردار پشتیبان خروجی به‌نسبت دقیق‌تری را نسبت‌به روش‌های دیگر داشته است. در فیوژن تصاویر پهپادی و ماهواره‌ای با استفاده از الگوریتم گرام–اشمیت نتیجۀ طبقه‌بندی با بهترین روش به‌دست‌آمده از مرحلۀ پیشین که روش ماشین بردار پشتیبان در روش‌های شیء‌گراست، نشان‌دهندۀ آن است که دقت افزایش یافته و طبقه‌بندی روی تصویر فیوژن‌شده بین تمامی روش‌های طبقه‌بندی بیشترین دقت را داشته است؛ همچنین نتایج بررسی فرسودگی آسفالت و طول عمر آن در دو روش طبقه‌بندی و حد آستانه‌گذاری نشان‌دهندۀ آن بود که روش حد آستانه با دقت بیشتر و بهتری نسبت‌به روش طبقه‌بندی عملکرده است. با توجه به اینکه سلامت آسفالت بر اتومبیل‌ها و ایجاد نویز کمتر تأثیر بسزایی داشته است و همچنین اثرات زیست‌محیطی کمتری را دارد، با علم به اینکه با استفاده از داده‌های سنجش ‌از دور می‌توان سریع‌تر و با صرف هزینۀ کمتری برای پایش حفظ و نگهداری و رفع مشکلات روسازی‌ها اقدام کرد، در مدت‌زمان کوتاه‌تری برای پایداری محیط و توسعۀ پایدار آن نقش بسزایی دارد.

 

[1]. Hoang

[2]. Nguyen

[3]. Li

[4]. Multispectral Instrument

[5]. Envi

[6]. eCognition

[7]. Aha

[8]. ENVI

[9]. Gram-Schmidt

[10]. Li

References

 

منابع

تقی‌پور، علی‌اکبر، رسولی، حمید، و فامیلی، افشین (1397). بررسی توان تصاویر پهپادی دقیق در ارزیابی پدیدۀ فرسودگی آسفالت (نمونۀ موردی: روستای الوار سفلی، حوالی شهر تبریز). مهندسی زیرساخت‌های حمل‌ونقل، 4(3)، 115-99.  https://doi.org/10.22075/jtie.2018.13220.1260
علوی‌پناه، کاظم (1382). کاربرد سنجش از دور در علوم زمین (علوم خاک). دانشگاه تهران.
علیزاده ربیعی، حسن (1372). سنجش از دور (اصول و کاربرد). انتشارات سمت.
مختاری، محمدحسین، و نجفی، احمد (1394). مقایسۀ روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM. علوم آب و خاک، 19(72)، 35-45. http://dx.doi.org/10.18869/acadpub.jstnar.19.72.4
مرکز آمار ایران (1399). سالنامۀ آماری استان یزد. درگاه ملی آمار. https://amar.org.ir/salnameh-amari/agentType/ViewSearch/CustomFieldIDs/65/SearchValues/1399/PropertyTypeID/646
معرفی، ثنا، پاک شیر، امیرحسین، و گلی خوراسگانی، احمد (1395). بررسی آسفالت گرم و داغ و تأثیر آن در توسعۀ پایدار (مقالۀ مروری). ششمین کنفرانس بین‌المللی توسعۀ پایدار و عمران شهری، اصفهان.  https://civilica.com/doc/577510
منصورمقدم، محمد، روستا، ایمان، زمانی، محمدصادق، مختاری، محمدحسین، کریمی فیروزجایی، محمد، و علوی پناه، کاظم (1400الف). مطالعه و پیش‌بینی تغییرات دمای سطح زمین شهر یزد: بررسی اثر مجاورت و تغییرات پوشش اراضی. سنجش ‌از دور و سامانۀ اطلاعات جغرافیایی در منابع طبیعی، 12(4)، 1-27. https://doi.org/10.30495/girs.2021.682083
منصورمقدم، محمد، روستا، ایمان، زمانی، محمدصادق، مختاری، محمدحسین، کریمی فیروزجایی، محمد، و علوی پناه، کاظم (1400ب). بررسی و مدل‌سازی تأثیر ترکیب و آرایش چشم‌انداز شهر یزد بر دمای سطح زمین با استفاده از یادگیری ماشین و داده‌های لندست-8 و سنتینل-2. سنجش از دور و GIS ایران، 15(3)، 1-26.  https://doi.org/10.48308/gisj.2023.102195
نظری، داود، ماهوش محمدی، ندا، آدابی، محمدحسین، هزارخانی، اردشیر، قویدل سیوکی، محمد، و کلانی، هانیه (1399). مقایسۀ روش‌های طبقه‌بندی ماشین بردار پشتیبان و حداکثر احتمال برای تفکیک واحدهای دگرسانی منطقۀ تخت گنبد. زمین‌شناسی ایران، 53(14)، 31-43.  http://geology.saminatech.ir/Article/9781/FullText
References
Aiazzi, B., Alparone, L., Baronti, S., & Selva, M. (2007). MS þ Pan image fusion by an enhanced Gram–Schmidt spectral sharpening. 26th Earsel Symp New Dev. Challenges Remote Sensing. http://www.earsel.org/symposia/2006-symposium-Warsaw/pdf/340.pdf
Aksoy, A., Şamlioglu, K., Tayfur, S., & Özen, H. (2005). Effects of various additives on the moisture damage sensitivity of asphalt mixtures. Journal of Construction and Building Materials, 19(1), 11-18. https://doi.org/10.1016/j.conbuildmat.2004.05.003
Alavi Panah, S. K. (2003). Application of remote sensing in earth sciences (soil sciences). Tehran University Press. [In Persian].
Alimjan, G., Sun, T., Liang, Y., Jumahun, H., & Guan, Y. (2018). A new technique for remote sensing image classification based on combinatorial algorithm of SVM and KNN. International Journal of Pattern Recognition and Artificial Intelligence, 32(07), 1859012. https://doi.org/10.1142/S0218001418590127
Alizade Rabiei, H. (1993). Remote Sensin (principles and application). Samat. [In Persian].
Atkinson, P. M., & Tatnall, A. R. (1997). Introduction neural networks in remote sensing. International Journal of Remote Sensing, 18(4), 699-709. http://dx.doi.org/10.1080/014311697218700
Bekkari, A., Idbraim, S., Elhassouny, A., Mammass, D., El Yassa, M., & Ducrot, D. (2012). Spectral and spatial classification of high resolution urban satellites images using haralick features and SVM with SAM and EMD distance metrics. International Journal of Computer Applications, 46(11), 28-37. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=feeeb791929b09ea5aeb9010abae83c2369f8141
Belgiu, M., &  Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2-16. https://doi.org/10.1016/j.isprsjprs.2009.06.004
Blaschke, T., Hay, G. J., Kelly, M., Lang, S., Hofmann, P., Addink, E., ... & Tiede, D. (2014). Geographic object-based image analysis–towards a new paradigm. ISPRS journal of photogrammetry and remote sensing, 87, 180-191. https://doi.org/10.1016/j.isprsjprs.2013.09.014
Breiman, L. (1996). Bagging predictors. Journal of Machine Learning, 24(2), 123-140. https://link.springer.com/article/10.1007/BF00058655
Cox, G., Curphey, D., Fronek, D., & Wilson, J. (1986). Remote video sensing of highway pavements at road speeds: Using the Motorola 68020 microprocessor. Computer‐Aided Civil and Infrastructure Engineering, 1(1), 1-13. https://doi.org/10.1111/j.1467-8667.1986.tb00109.x
Cubero-Fernandez, A., Rodriguez-Lozano, F., Villatoro, R., Olivares, J., & Palomares, J. M. (2017). Efficient pavement crack detection and classification. EURASIP Journal on Image and Video Processing, 1, 1-11. https://link.springer.com/article/10.1186/s13640-017-0187-0
Gonzalez-Audicana, M., Garcia, R., & Herrero-Isern, J. (2003). Fusion of multispectral and panchromatic images using new methods based on wavelet transforms-Evaluation of crop classification accuracy. Geoinfor Eur Wide Integr, 265-272. http://www.earsel.org/symposia/2002-symposium-Prague/pdf/037.pdf
Guo, H. (2010). Understanding global natural disastersand the role of earth observation. International Journal of Digital Earth, 3(3), 221-230. https://doi.org/10.1080/17538947.2010.499662
Hartgen, D. T., Fields, M. G., & Feigenbaum, B. (2014). 21st annual report on the performance of state highway systems(1984-2012). (n.p). http://reason.org/files/21st_annual_highway_report.pdf
Hoang, N. D., & Nguyen, Q. L. (2019). A novel method for asphalt pavement crack classification based on image processing and machine learning. Journal of Engineering with Computers, 35(2), 487-498. https://link.springer.com/article/10.1007/s00366-018-0611-9
Huang, C., Davis, L., & Townshend, J. (2002). An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23(4), 725-749. https://doi.org/10.1080/01431160110040323
Jog, S., & Dixit, M. (2016, June). Supervised classification of satellite images. In 2016 Conference on Advances in Signal Processing (CASP) (pp. 93-98). IEEE. https://doi.org/10.1109/CASP.2016.7746144
Kim, H., Sim, S. H., & Cho, S. (2015, August). Unmanned aerial vehicle (UAV)-powered concrete crack detection based on digital image processing. In International Conference on Advances in Experimental Structural Engineering. http://sstl.cee.illinois.edu/papers/aeseancrisst15/194_Kim_Unmanned.pdf
Kim, H., Soleymani, H., Han, S. H., & Nam, H. (2006, October). Evaluation of asphalt pavement crack sealing performance using image processing technique. In Proceedings of the International Symposium on Automation and Robotics in Construction (ISARC), Tokyo, Japan (Vol. 35, p. 341345). https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=805ca70fc109fb2dadc588fd422f777c12502c42
Kim, Y. R., Pinto, I., & Park, S. W. (2012). Experimental evaluation of anti-stripping additives in bituminousmixtures through multiple scale laboratory test results. Journal of Construction and Building Materials, 29, 386-393. https://doi.org/10.1016/j.conbuildmat.2011.10.012
Kingston, G. B., Lambert, M. F., & Maier, H. R. (2005). Bayesian training of artificial neural networks used forwater resources modeling. Journal of Water Resources Research, 41(12). https://doi.org/10.1029/2005WR004152
Koch, C., Georgieva, K., Kasireddy, V., Akinci, B., & Fieguth, P. (2015). A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure. Journal of Advanced Engineering Informatics, 29(2), 196-210. https://doi.org/10.1016/j.aei.2015.01.008
Li, X., Liu, L., & Huang, L. (2020). Comparison of several remote sensing image classification methods basedon envi. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences,42, 605-611. https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-3-W10/605/2020/isprs-archives-XLII-3-W10-605-2020.pdf
Li, Z., Cheng, C., Kwan, M. P., Tong, X., & Tian, S. (2019). Identifying asphalt pavement distress using UAV LiDAR point cloud data and random forest classification. ISPRS International Journal of GeoInformation, 8(1), 39. https://doi.org/10.3390/ijgi8010039
Mansourmoghaddam, M., Rousta, I., Zamani, M. S., Mokhtari, M. H., Karimi Firozjaei, M., & Alavipanah, S. K. (2022a). Investigating and Modeling the Effect of the Composition and Arrangement of the Landscapes of Yazd City on the Land Surface Temperature Using Machine Learning and Landsat-8 and Sentinel-2 Data. Iranian Journal of Remote Sensing & GIS, 15(3), 1-26. https://doi.org/10.48308/gisj.2023.102195 [In Persian].
Mansourmoghaddam, M., Rousta, I., Zamani, M., Mokhtari, M. H., Karimi Firozjaei, M., & Alavipanah, S. K. (2022b). Study and prediction of land surface temperature changes of Yazd city: assessing the proximity and changes of land cover. Journal of RS and GIS for Natural Resources, 12(4), 1-27. https://doi.org/10.30495/girs.2021.682083 [In Persian].
Mansourmoghaddam, M., Ghafarian Malamiri, H. R., Arabi Aliabad, F., Fallah Tafti, M., Haghani, M., & Shojaei,S. (2022c). The Separation of the Unpaved Roads and Prioritization of Paving These Roads UsingUAV Images. Journal of Air, Soil and Water Research, 15, 11786221221086285. https://doi.org/10.1177/11786221221086285
Mansourmoghaddam, M., Rousta, I., Ghaffarian, H., & Mokhtari, M. H. (2022d). Evaluating the capability ofspatial and spectral fusion in land-cover mapping enhancement. Journal of Earth Observation and Geomatics Engineering, 6(1). https://doi.org/10.22059/eoge.2022.348987.1125
Maroofi, S., Pak Shir, A. H., &  Goli-Khorasgani, A. (2015). Investigation of warm asphalt and hot asphalt and its impact on sustainable development (review article). 6th International Conference on Sustainable Development & Urban Construction, Isfahan. https://civilica.com/doc/577510/ [In Persian].
Mettas, C., Themistocleous, K., Neocleous, K., Christofe, A., Pilakoutas, K., & Hadjimitsis, D. (2015, June). Monitoring asphalt pavement damages using remote sensing techniques. In Third international conference on remote sensing and geoinformation of the environment (RSCy2015) (Vol. 9535, pp. 237-248). SPIE. https://doi.org/10.1117/12.2195702
Mokhtari, M. H., & Najafi, A. (2015). Comparison of support vector machine and neural network classification methods in land use information extraction through Landsat TM data. Journal of Science and Technology of Agriculture and Natural Resources, 19(72), 35-45. http://dx.doi.org/10.18869/acadpub.jstnar.19.72.4  [In Persian].
Nazari, D., Mahvash Mohammadi, N., Adabi, M. H., Hazarkhani, A., Ghavidel-Syooki, M.., & Kalani. H. (2020). Separating alteration units in the Takht-e-Gonbad district using via comparing two classification methods of Support vector machine and maximum likelihood. Iranian Journal of Geology, 53(14), 31-43. http://geology.saminatech.ir/Article/9781/FullText [In Persian].
Pal, M., & Mather, P. M. (2001, November). Decision tree based classification of remotely sensed data. In Proceedings of 22nd Asian conference on remote Sensing (Vol. 5, p. 9). https://www.academia.edu/download/39963411/046PAL.PDF
Pan, Y., Zhang, X., Cervone, G., & Yang, L. (2018). Detection of asphalt pavement potholes and cracks basedon the unmanned aerial vehicle multispectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(10), 3701-3712. https://doi.org/10.1109/JSTARS.2018.2865528
Richards, J. A., & Richards, J. (1999). Remote sensing digital image analysis (Vol. 3). Springer.
Safavian, S. R., & Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE Transactions Onsystems, Man and Cybernetics, 21(3), 660-674. https://doi.org/10.1109/21.97458
Sankarasrinivasan, S., Balasubramanian, E., Karthik, K., Chandrasekar, U., & Gupta, R. (2015). Health monitoringof civil structures with integrated UAV and image processing system. Procedia Computer Science, 54, 508-515. https://doi.org/10.1016/j.procs.2015.06.058
Some, L. (2016). Automatic image-based road crack detection methods KTH. (n.p). https://www.diva-portal.org/smash/record.jsf?pid=diva2:945233
Statistical Center of Iran. (2019). Statistical Yearbook of Yazd Province. National Portal of Statistics. https://amar.org.ir/salnamehamari/agentType/ViewSearch/CustomFieldIDs/65/SearchValues/1399/PropertyTypeID/646 [In Persian].
Taghipour, A. A., Rasouli, H., & famili, A. (2018). Road Pavement Distress Extraction Using UAV Imageries (Case Study: Alvar-e-Sofla Village near Tabriz). Journal of Transportation Infrastructure Engineering, 4(3), 99-116. https://doi.org/10.22075/jtie.2018.13220.1260 [In Persian].
Vapnik, V. (1999). The nature of statistical learning theory. Springer Science & Business Media. https://link.springer.com/book/10.1007/978-1-4757-3264-1
Wettschereck, D., Aha, D .W., & Mohri, T. (1997). A review and empirical evaluation of feature weighting methods for a class of lazy learning algorithms. Artificial Intelligence Review, 11(1), 273-314. https://link.springer.com/article/10.1023/A:1006593614256
Zhang, C. (2008). An UAV-based photogrammetric mapping system for road condition assessment. Int. Arch.Photogramm. Remote Sens. Spatial Inf. Sci, 37, 627-632. http://www.isprs.org/proceedings/XXXVII/congress/5_pdf/109.pdf
Zhang, S., Bogus, S. M., Lippitt, C. D., Neville, P. R., Zhang, G., Chen, C., & Valentin, V. (2015). Extracting pavement surface distress conditions based on high spatial resolution multispectral digital aerialphotography. Photogrammetric Engineering & Remote Sensing, 81(9), 709-720. https://doi.org/10.14358/PERS.81.9.709
Zhao, L., Shi, Y., Liu, B., Hovis, C., Duan, Y., & Shi, Z. (2019). Finer classification of crops by fusing UAV images and Sentinel-2A data. Journal of Remote Sensing, 11(24), 3012. https://doi.org/10.3390/rs11243012
 
 
Geography and Environmental Planning
Volume 34, Issue 3 - Serial Number 91
September 2023
Pages 119-142

Files

History

  • Receive Date: 22 October 2022
  • Revise Date: 03 January 2023
  • Accept Date: 07 January 2023

Share

How to cite

Statistics