تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > استخلاص أسطح المباني وأنواعها...>الوصف

استخلاص أسطح المباني وأنواعها من بيانات الليدار باستخدام التقنيات الجيومكانية والتصنيف الهدفي لمجموعة من أحياء مدينة الرياض

العنوان بلغة أخرى: Extracting Rooftops Types from Lidar Data Using Geospatial Techniques and Objective Classification for a Group of Neighborhoods in the City of Riyadh
المصدر: سلسلة بحوث جغرافية
الناشر: الجمعية الجغرافية المصرية
المؤلف الرئيسي: العنقري، محمد بن خالد (مؤلف)
المؤلف الرئيسي (الإنجليزية): Alangari, Mohammed Khalid
مؤلفين آخرين: الجعيدي، فرحان حسين (م. مشارك)
المجلد/العدد: ع195
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2024
الشهر: يونيو
الصفحات: 1 - 72
ISSN: 1110-1911
رقم MD: 1523380
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: HumanIndex
مواضيع:
التقنيات الجيومكانية | الكثافة السكانية | النمو الحضري | الاستشعار عن بعد
كلمات المؤلف المفتاحية:
بيانات LiDAR | أسطح المباني | أنواع الأسطح | نظم المعلومات الجغرافية | التصنيف الهدفي | الرياض | Lidar Data | Building Roofs | Roof Types | GIS | Object-Oriented Classification | Riadh
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

10

حفظ في:
المستخلص: يهدف هذا البحث إلى مقارنة دقة نهجين مختلفين لاستخلاص أسطح المباني وأنواعها من بيانات LIDAR في مدينة الرياض، المملكة العربية السعودية. النهج الأول يعتمد على معالجة البيانات في بيئة نظم المعلومات الجغرافية (GIS)، بينما يعتمد النهج الثاني على التصنيف الهدفي. في النهج الأول، تم استخدام بيانات LiDAR لعام ۲۰۱۲ لإنشاء نموذج رقمي للسطح (DSM) وخرائط الانحدار slope والاتجاه aspect وقيم شدة الانعكاس Intensity. تم تصنيف نقاط LiDAR إلى ثلاث فئات أرض، ضوضاء، ومبان. بعد ذلك، تم استخراج بصمات المباني ثنائية الأبعاد وتصنيف أنواع الأسطح بناء على قيم شدة الانعكاس. أما النهج الثاني، فقد اعتمد على بيانات slope Intensity nDSM وaspect (وهي مشتقة من بيانات الليدار نفسها). تم تطبيق تقنية تجزئة multiresolution لتصنيف الصور إلى فئتين: أسطح المباني والخلفية باستخدام قواعد القرار. ثم تم استخدام ثلاث خوارزميات تصنيف- آلة ناقل الدعم SVM)، وشجرة القرار (DT)، والشجرة العشوائية (RT)- لتصنيف أنواع الأسطح إلى ست فئات: أسطح ذات صبة جاهزة مع بحص (ملساء وخشنة)، أسطح ذات أسمنت عادي (مبان ومواقف)، أسطح مبلطة وباقي الأسطح. أظهرت النتائج أن أدوات GIS حققت دقة إجمالية ۸۸% في استخراج أسطح المباني، بينما حقق التصنيف الهدفي دقة 84.4% يرجع التفوق الطفيف لأدوات GIS إلى الدقة المكانية العالية لإحداثيات نقاط بيانات LiDAR. في المقابل، تفوقت خوارزميات التصنيف الهدفي في تصنيف أنواع الأسطح حيث حققت خوارزمية RT أعلى دقة إجمالية (67%) ومقياس Kappa (0.49). يرجع انخفاض دقة تصنيف أنواع الأسطح بشكل عام ذلك إلى تداخل قيم شدة LiDAR بين بعض أنواع الأسطح. بشكل عام، كلا النهجين فعالان في استخلاص أسطح المباني، مع تفوق طفيف لأدوات .GIS ومع ذلك، تظهر خوارزميات التصنيف الهدفي دقة أفضل في تصنيف أنواع الأسطح. يوصى بدمج بيانات LIDAR مع صور فضائية عالية الدقة لتحسين دقة التصنيف والتغلب على قيود كلا النهجين. كما يوصى بإجراء المزيد من الأبحاث لتطوير تقنيات تصنيف أكثر تقدماً ودراسة تأثير عوامل أخرى على دقة التصنيف، مثل خصائص المباني والبيئة المحيطة.

This research aims to compare the accuracy of two different approaches for extracting building rooftops and classifying their types from LiDAR data in Riyadh, Saudi Arabia. The first approach is based on data processing into Geographic Information System (GIS) environment, while the second approach is based on object-oriented classification. In the first approach, LiDAR data from 2012 was used to generate a Digital Sufface Model (DSM) along with slope and aspect, reflection intensity values maps. The LiDAR points were then classified into three categories: ground, noise, and buildings. Following classification, two-dimensional building footprints were extracted, and the roof types were classified based on the corresponding reflection intensity values. The second approach employed a combination of data including normalized Digital Surface Model (nDSM), intensity values, slope, and aspect. A multiresolution segmentation technique was applied to classify the data into two categories: building rooftops and background, using decision rules. Subsequently, three classification algorithms- Support Vector Machine (SVM), Decision Tree (DT), and Random Tree (RT)- were utilized to further classify the roof types into six categories: precast concrete roofs with gravel (differentiated as smooth and rough), ordinary concrete roofs (encompassing buildings and parking lots), tiled roofs, and other roof types. The analysis revealed that GIS tools achieved an overall accuracy of 88% in extracting building rooftops. In comparison, object-oriented classification achieved an accuracy of 84.4%. This slight advantage for GIS tools can be attributed to the high spatial accuracy of the LiDAR data point coordinates. However, object-oriented classification algorithms demonstrated superior performance in classifying roof types. The RT algorithm achieved the highest overall accuracy (67%) and Kappa statistic (0.49). The overall lower accuracy in roof type classification can be attributed to the overlapping LiDAR intensity values among certain roof types. Both approaches were effective in extracting building roofs, with GIS demonstrating a slight edge. However, object-oriented classification algorithms provided superior accuracy in classifying roof types. To further improve classification accuracy and overcome the limitations of each individual approach, it is recommended to integrate LiDAR data with high-resolution satellite imagery. Additionally, future research is warranted to develop more advanced classification techniques and explore the influence of other factors on classification accuracy, such as the specific characteristics of buildings and their surrounding environment.
ISSN: 1110-1911

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.