سنجش از دور و سیستم اطلاعات جغرافیایی
امید ترابی؛ نعمت اله کریمی؛ سارا شش انگشت؛ مریم رشتبری؛ امیرحسین سربازوطن
چکیده
بهطور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقهبندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتمهای طبقهبندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) میباشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه ...
بیشتر
بهطور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقهبندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتمهای طبقهبندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) میباشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه لایههای شیب، مدل رقومی ارتفاعی و یک تصویر اصلی تصحیح شده ماهواره Sentinel-2 توسط سه روش اشاره شده به صورت نظارت شده مورد آموزش و طبقهبندی قرار گرفت. سپس فرآیند طبقهبندی با حضور تصاویر راداری ماهواره Sentinel-1 مجدداً انجام گردید. در نهایت طی عملیات پسپردازش با استفاده از فیلتر بیشترین فراوانی پیکسلهای منفرد به کلاسهای همسایه الصاق شده و نتایج نهایی با دادههای زمینی مورد صحتسنجی قرار گرفت. نتایج نشان داد در بررسی تمام کلاسها، دقت کل و ضریب کاپا در حالت حضور دادههای راداری و برای هر سه روش طبقه بندی تنها 3 درصد بهبود یافته است اما در بررسی یک به یک کلاسها مشاهده میشود دقت تولید کننده روش جنگل تصادفی در کلاس کشت مجدد بهبود قابلتوجهی داشته و مقدار آن از 74/0 به 84/0 رسیده است. در روش ماشین بردار پشتیبان نیز کلاسهای دیم و باغات بهبود محسوستری داشتهاند که به ترتیب از 75/0 و 78/0 به 84/0 و 92/0 افزایش یافته است. نهایتاً میتوان چنین عنوان کرد که اضافه کردن تصاویر راداری به عمل طبقه بندی تنها در کلاسهای مربوط به اراضی کشت مجدد، دیم و باغات تاثیر مثبت و قابلتوجهی دارد و نیز برتری کاملاً محسوس روش جنگل تصادفی در مقایسه با روشهای دیگر مشهود است.