ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > إنتاج بيانات الكتل العمرانية ب...>الوصف

إنتاج بيانات الكتل العمرانية بواسطة صور الأقمار الصناعية ذات الدقة المكانية العالية باستخدام نظم المعلومات الجغرافية والتعلم العميق

المصدر: مجلة وادي النيل للدراسات والبحوث الإنسانية والاجتماعية والتربوية
الناشر: جامعة القاهرة - فرع الخرطوم - كلية الآداب
المؤلف الرئيسي: مخدوم، عمر عبدالرؤوف (مؤلف)
مؤلفين آخرين: القرادي، مفرح بن ضايم محمد (م. مشارك) , هيشري، هيكل (م. مشارك)
المجلد/العدد: مج41, ع41
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2024
الشهر: يناير
الصفحات: 385 - 412
ISSN: 2536-9555
رقم MD: 1452961
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EduSearch, HumanIndex
مواضيع:
الذكاء الاصطناعي | نظم المعلومات | الأقمار الصناعية | خوارزميات التعلم
كلمات المؤلف المفتاحية:
الذكاء الاصطناعي | تعلم الآلة | التعلم العميق | الكتلة العمرانية | طبقة المباني | نظم المعلومات الجغرافية | Artificial Intelligence | Machine Learning | Deep Learning | Building Footprints | Extracting Building Footprints | GIS
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

16

حفظ في:
المستخلص: 1-موضوع الدراسة: يقدم البحث تحليلا كميا لاستخراج طبقة الكتلة العمرانية باستخدام أحد التقنيات الحديثة من خلال برمجيات نظم المعلومات الجغرافية GIS عن طريق نمذجة مجموعة من الإجراءات باستخدام تقنية الذكاء الاصطناعي في استخراج بيانات طبقة المباني Extracting Building Footprints من صور الأقمار الصناعية ذات الدقة العالية ونماذج التعلم العميق. 2-أهداف الدراسة: تهدف الدراسة إلى محاولة للتوصل إلى استخدام نظام متكامل باستخدام تقنية الذكاء الاصطناعي وخوارزميات التعلم العميق بالاعتماد على تقنيات نظم المعلومات الجغرافية لاستخراج طبقة المباني والكتلة العمرانية من خلال معالجة الصور الفضائية عالية الدقة في محاولة لتطوير أحد النظم الكارتوجرافية والتي يمكن استخدامها في إنتاج الخرائط الموضوعية للمدن. 3-منهجية الدراسة: تعتمد منهجية هذه الدراسة على عدة خطوات عملية متسلسلة ومترابطة تبدأ في الحصول على مدخلات النظام أولاً: الحصول على المرئيات الفضائية لمنطقة الدراسة بدقة مكانية عالية مع إجراء بعض المعالجات الأولية للمرئية الفضائية، ثانيا: اختيار نموذج التحليل واستخراج طبقة المباني ثالثا: استخدام نموذج استخراج طبقة المباني Extracting Building Footprints- KSA المقدم من شركة Esri والذي استخدم في تدريبه ما يقارب ٢٥٠ صورة من مختلف مناطق المملكة العربية السعودية ذات دقة تصل إلى ٣٠ سم. رابعا: معالجة النتائج المستخرجة من النظام خامسا: قياس دقة النتائج. 4-بيانات الدراسة: اعتمدت هذه الدراسة على الصور الفضائية عالية الدقة بدقة ٣٠ سم لمنطقة الدراسة مقدمة من شركة Digital Globe. 5-نتائج الدراسة: توصلت الدراسة إلى عدد من النتائج والتي يمكن تقسمها كما يلي: أ- نتائج ذات صلة بالمنهجية والنموذج المستخدم: أظهرت الدراسة أن إنتاج بيانات الكتل العمرانية بواسطة صور الأقمار الصناعية ذات الدقة المكانية العالية باستخدام نظم المعلومات الجغرافية والتعلم العميق يبدأ بتحديد المدخلات والتأكد من الدقة المعيارية لكل مدخل بدء من اختيار الصور الفضائية ومدى ملاءمتها للنموذج المستخدم مما يقلل الوقت والجهد المطلوب بشكل كبير. ب-نتائج ذات صلة بمخرجات النموذج. أظهرت الدراسة إلى أهمية معالجة المخرجات فيما بعد ومنها معالجة حواف المبنى Regularize building footprints والتي تؤثر في حساب دقة الشكل والمساحة بالمقارنة بالرسم اليدوي. -أظهرت النتائج تأثير النمط العمراني المنتظم غير المنتظم على دقة النموذج في استخراج طبقة المباني في منطقة الدراسة بالمقارنة لإجمالي العدد الحقيقي المتوقع حيث بلغت ٤٧.٨٠% بحي الزهور بينما بلغت ١١.٦٣% بحي الديرة. -تم تطبيق نسبة التشابه بمقدار ۳۰% وتم الحصول على نتائج ذات دقة اعلى لحين الزهور والديرة وصلت دقتها ما يقارب ٨٠% إلى 90%. -تم اختيار منطقتين أخرى للتأكد من نتائج دقة النموذج وهي حي حطين في مدينة الرياض وحي النهضة في مدينة جدة. -وصلت دقة النتائج أيضا من ٨٥% إلى ٩٤% حيث تم التأكد من هذه النتائج بعد حساب كلا من Accuracy, Dice, F1score, Index IU, Precision, Recall وذلك من خلال تطبيق لغة البايثون على نتائج المخرجات من خلال صور الكتل العمرانية. ٦. الخاتمة: قدمت الدراسة عرضا تفصيليا عن أساليب استخراج طبقة المباني والكتل العمرانية من الصور الفضائية عالية الدقة من خلال استخدام تقنيات الذكاء الاصطناعي والتعلم العميق Deep learning بنظم المعلومات الجغرافية حيث تم عرض مجموعة من الخوارزميات والتي تعد الأساس التقني لتعليم الآلة وذلك من حيث آليه العمل ودقة النتائج.

1-Study subject: The research presents a quantitative analysis of extracting the building footprints layer using one of the modem techniques through GIS software by modeling a set of procedures using artificial intelligence technology in extracting building layer data from high-resolution satellite images and deep learning models. 2-Objectives of the study: The study aims to reach the use of an integrated system using artificial intelligence technology and deep learning algorithms based on geographic information systems techniques to extract automated layer of buildings footprints by processing high- resolution satellite images in an attempt to develop one of the cartographic systems that can be used in producing thematic urban maps. 3-Study methodology: The methodology of this study depends on several sequential and interrelated practical steps that start with obtaining the inputs of the system. First: Obtaining the satellite visuals of the study area with high spatial accuracy, with some preliminary manipulations of the satellite visualization. Second: Choosing the analysis model and extracting the buildings layer. Third: Using the building footprints layer extraction model. Fourth: Processing the results extracted from the system Fifth: Measuring the accuracy of the results. 4-Study datasets: This study relied on high-resolution satellite images with a resolution of 30 cm for the study area provided by Digital Globe Co.

. 5-Results: The study reached a number of results, which can be divided as follows: A-Results related to the methodology and model used: The study showed that how producing building footprints data can be done by satellite images with high resolution using geographic information systems and deep learning begins with defining the inputs and ensuring the standard accuracy of each input, starting from the selection of satellite images and their compatibility of the model that it used, which greatly reduces the time and effort required. B- Results related to the outputs of the model: The study showed the importance of processing the outputs later, including generalizing building footprints, which affect the calculation of the accuracy of shape and area compared to manual digitizing. The results showed the effect of the regular and irregular building footprints pattern on the accuracy of the model in extracting the layer of buildings in the study area compared to the total expected real number, which reached 47.80% in Al- Zahoor district, while it reached 11.63% in Al-Dirah district. -A similarity rate of 30% (Threshold) was applied, and results with higher accuracy were obtained, while Al-Zahoor and Dirah reached an accuracy of approximately 80% to 90%. -Two other areas were chosen to verify the results of the model's accuracy, which are the Hattin District in Riyadh and the Al- Nahda District in Jeddah. -The accuracy of the results also reached from 85% to 94%, as these results were confirmed after calculating Accuracy, Dice, Flscore, Index, IoU, Precision, and Recall, by applying the Python script to the output results through images of buildings footprint. 6. Conclusion: The study provided a detailed presentation on the methods of extracting the building footprints layer from high-resolution satellite images through the use of artificial intelligence and deep learning techniques in geographic information systems, where a set of algorithms were presented, which are the technical basis for machine learning, in terms of the mechanism of work and the accuracy of the results.
ISSN: 2536-9555

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.