تناولت الدراسة مقارنة دقة نهجين مختلفين لاستخلاص أسطح المباني وأنواعها من بيانات LiDAR في مدينة الرياض. 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 2012 لإنشاء نموذج رقمي للسطح (DSM) وخرائط الانحدار slope والاتجاه aspect وقيم شدة الانعكاس Intensity. تم تصنيف نقاط LiDAR إلى ثلاث فئات: أرض، ضوضاء، ومبانٍ. بعد ذلك، تم استخراج بصمات المباني ثنائية الأبعاد وتصنيف أنواع الأسطح بناء على قيم شدة الانعكاس.
النهج الثاني، اعتمد على بيانات nDSM، Intensity، slope، و aspect (المشتقة 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 (مبانٍ ومواقف)، أسطح مبلطة، وباقي الأسطح.
أظهرت النتائج أن أدوات GIS حققت دقة إجمالية 88٪ 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 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.