Ekstraksi Tapak Bangunan dan Jaringan Jalan pada Area Urban dari Orthophoto dan DSM LiDAR Menggunakan Deep Learning dan Post-Processing Algoritma Douglas-Peucker

Bimanjaya, Alfian (2022) Ekstraksi Tapak Bangunan dan Jaringan Jalan pada Area Urban dari Orthophoto dan DSM LiDAR Menggunakan Deep Learning dan Post-Processing Algoritma Douglas-Peucker. Masters thesis, Institut Teknologi Sepuluh Nopember.

	Text 6016211014-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2024. Download (13MB) | Request a copy
	Text 6016211014-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (13MB) | Request a copy

Abstract

Peta dasar skala besar sangat dibutuhkan oleh kota besar/metropolitan seperti Kota Surabaya untuk perencanaan kota dan menunjang pembangunan kota cerdas. Informasi utama yang paling dibutuhkan dari peta skala besar adalah fitur bangunan dan jaringan jalan. Ekstraksi tapak bangunan dan jaringan jalan merupakan pekerjaan yang menantang karena banyak alasan, termasuk sifat heterogen dari geometri dan spektral, kompleksitas objek yang sulit dimodelkan, dan data sensor yang kurang baik. Intepretasi yang dilakukan oleh operator secara visual masih merupakan pendekatan yang umum digunakan untuk ekstraksi informasi dari orthophoto. Akurasi intepretasi yang dihasilkan tergantung pada keterampilan dan pengalaman dari operator. Sehingga, dapat terjadi inkonsistensi pada data yang dihasilkan oleh operator yang berbeda. Beberapa tahun terakhir ini, ekstraksi otomatis jalan dari orthophoto maupun citra satelit resolusi tinggi menjadi isu penelitian penting dan menantang yang mendapat perhatian lebih besar. Dalam penelitian ini, penulis menerapkan metode deteksi objek berbasis Mask Region-based Convolutional Neural Network (Mask R-CNN) untuk ekstraksi tapak bangunan dan jaringan jalan memanfaatkan orthophoto dan DSM LiDAR di daerah urban Kota Surabaya. Beberapa strategi dirancang dan digabungkan dengan model deteksi objek berbasis Mask R-CNN, termasuk post-processing yang terdiri dari regularisasi poligon algoritma Douglas-Peucker, remove overlap, fill gap, dan penghalusan poligon. Metode yang penulis terapkan menghasilkan kinerja yang cukup baik untuk ekstraksi tapak bangunan dengan presisi 88,05%; kelengkapan (recall) 78,90%; skor-F1 83,22%; dan akurasi berdasarkan luas 93,09 %. Sedangkan, untuk ekstraksi jalan menghasilkan nilai presisi 90,28%; kelengkapan (recall) 85,85%; skor-F1 88,01%; dan IoU 78,59%; serta overall accuracy 95,25 % dan nilai kappa 90,5%. Waktu yang dibutuhkan untuk melakukan ekstraksi tapak bangunan menggunakan model Mask R-CNN adalah 23 menit 58 detik. Waktu tersebut, lebih singkat dibandingkan dengan pemrosesan digitasi secara manual oleh operator, yaitu selama 8 jam 52 menit 8 detik dengan luas area yang sama.
================================================================================================
A Large-scale base map is required by metropolitan cities such as Surabaya City
for urban planning and smart city development. Some of the most needed
information from a large-scale base map are building and road geospatial
information. Building footprint and road network extraction is a challenging task
for many reasons, including the heterogeneous attribute of the geometry and
spectral, the complexity of objects that are difficult to model, and poor sensor data.
Visual interpretation by operators is still a commonly used approach for extracting
information from orthophoto. Interpretation accuracy depends on the skill and
experience of the operator. So, there can be inconsistencies in the data generated
by different operators. In recent years, the automatic extraction of building and
road from orthophoto or very high resolution image has become an important and
challenging research issue. Many recent studies have explored deep learning to
improve the quality of building and road extraction. In this study, we applied a
Mask Region-based Convolutional Neural Network (Mask R-CNN) model for the
building footprint and the road network extraction using orthophoto and DSM in
urban area in Surabaya City. The quality of the extracted geometry needs to be
improved. Several post-processing strategies, including polygon regularization
using Douglas-Peucker algorithm and polygon smoothing are designed to achieve
optimal extraction results. The method produces a good performance for the
extraction of building with a precision of 88.05%; recall 78.90%; F1-score
83.22%; and accuracy based on area 93.09%. Meanwhile, for road extraction, the
precision is 90.28%; recall 85.85%; F1-score 88.01%; and IoU 78.59%; and the
overall accuracy is 95.25% and the kappa value is 90.5%. The time comsumed to
extract the building footprint using the Mask R-CNN model is 23 minutes 58
seconds. This time is shorter than manual digitization processing by the operator,
which is 8 hours 52 minutes 8 seconds in the same area.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Convolutional Neural Network, Deep Learning, Orthophoto, DSM LiDAR, Peta Skala Besar, Algoritma Douglas-Peucker, Large-Scale Base Map, Douglas-Peucker Algorithm, LiDAR DSM
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) H Social Sciences > HE Transportation and Communications > HE311.I4 Urban transportation H Social Sciences > HT Communities. Classes. Races > HT133 City and Towns. Land use,urban Q Science > QA Mathematics > QA336 Artificial Intelligence R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29101-(S2) Master Thesis
Depositing User:	Alfian Bimanjaya
Date Deposited:	16 Jun 2022 06:52
Last Modified:	31 Oct 2022 02:24
URI:	http://repository.its.ac.id/id/eprint/94911

Actions (login required)

View Item