چکیده مقاله
طبقه بندی خودکار ابرنقاط حاصل از داده های لیزری موبایل در محیط های شهری بزرگ مقیاس، به دلیل تراکم ناهمگن نقاط، حجم بالای داده و ناقص بودن اجسام، چالشی اساسی در حوزه ی سنجش از دور و مدل سازی سه بعدی شهری محسوب می شود در این پژوهش، به منظور بررسی کارایی الگوریتم های یادگیری ماشین در این زمینه، از سه مدل LightGBM، XGBoost و Random Forest برای طبقه بندی داده های مجموعه داده ی Toronto۳D داده های لیزری موبایل شهری کانادا استفاده شده است چارچوب پیشنهادی شامل نمونه برداری تصادفی برای آموزش مدل ها و استخراج ویژگی های هندسی و شدت با استفاده از رویکرد چندشعاعی با چهار شعاع متفاوت برای تعیین همسایگی است نتایج ارزیابی نشان می دهد که مدل XGBoost با دستیابی به دقت کلی ۹۴%، عملکرد برتری نسبت به سایر روش ها دارد، در حالی که Random Forest پایین ترین دقت را نشان داده است این یافته ها بیانگر توانایی بالای XGBoost در مدیریت داده های ناهمگن ابرنقاط است و نشان می دهد که مدل های تقویت گرادیان سنتی همچنان می توانند جایگزینی رقابتی برای روش های یادگیری عمیق باشند چارچوب ارائه شده می تواند به عنوان مبنایی برای کاربردهای عملی در نقشه برداری شهری و توسعه شهرهای هوشمند مورد استفاده قرار گیرد
کلیدواژه‌ها
نویسندگان
امیر محمد حسینی دوست
دانشجوی دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
علی محمد زاده
استاد دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
آرمین مقیمی
استادیار دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
شیوه ارجاع
�سینی دوست، امیر محمد و زاده، علی محمد و مقیمی، آرمین،1404،مقایسه سه الگوریتم طبقه بندی مبتنی بر یادگیری ماشین Light GBM، XGBoost و Random Forest در طبقه بندی داده های لیزر موبایل شهری،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائه‌شده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران