بخشی از مقاله
چکیده:
طبقه بندي گیاهان بر اساس گونههاي مختلف گیاه یکی از کاربرد هاي مهم سنجش از دور در کشاورزي دقیق 1می باشد. تهیه دادههاي واقعیت زمینی2 براي انجام طبقه بندي از اهمیت زیادي برخوردار میباشد که تهیه این دادهها به وسیله عملیات زمینی کاري بسیار زمانبر و پر هزینه میباشد. در این پژوهش روش نوینی جهت تشخیص نوع گیاه از تصاویر فراطیفی با استفاده از شبکههاي عصبی مصنوعی معرفی شده است، که تشخیص گیاه یونجه هدف این تحقیق می باشد.
بدین منظور ابتدا با استفاده از اطلاعات طیفی گیاهان دادههاي واقعیت زمینی را ایجاد کرده و سپس با بکارگیري آنها به طبقهبندي تصویر میپردازیم. با توجه به اینکه در شبکههاي عصبی مصنوعی هیچ گونه پیش فرضی در مورد توزیع داده نمیشود، روش داراي دقت بالایی در انجام طبقه بندي میباشد و در این پژوهش نیز از این روش براي انجام طبقهبندي استفاده شده است. سپس با استفاده از ماتریس خطا به آنالیز دقت این روش پرداخته شده است. درنهایت انجام طبقه بندي به کمک شبکههاي عصبی با روش طبقه بندي به کمک روش بیشترین شباهت مقایسه شده æ مشاهده گردید که شبکه هاي عصبی داراي دقت 94/81 درصد و روش بیشترین شباهت داراي دقت 90/31 می باشد æ این نتایج نشان میدهد که روش مبتنی بر شبکه عصبی از دقت بالاتري نسبت به روش بیشترین شباهت برخوردار است.
1. مقدمه:
در میان روشهاي مختلفی که براي طبقهبندي تصاویر وجود دارد طبقهبندي به کمک شبکههاي عصبی مصنوعی داراي دقت بالایی میباشند. این روش به علت اینکه در آن هیچ پیش فرضی در مورد توزیع دادهها نشده است به عنوان یک ابزار با ارزش جهت طبقهبندي گیاهان به شمار میآیند. به همین علت توسعه مدلهاي طبقهبندي به کمک شبکههاي عصبی در سالهاي اخیر مورد توجه محققان قرار گرفته است[1] و .[2] امروزه فنĤوري سنجش از دور بطور فزایندهاي براي اندازهگیري پارامترهاي مورد نیاز در بررسی دقیق زمینهاي کشاورزي و پوشش هاي جنگلی مورد استفاده قرار می- گیرد.
در سالهاي اخیر با بکارگیري سنجندههاي چند طیفی، اطلاعات بسیاري از سطح زمین اخذ گردیده که قبلا به سادگی قابل دسترسی نبودند بطوریکه توسط آنها نقشه برداري از پوششهاي گیاهی در مقیاس بزرگ صورت گرفته و اطلاعات میتواند مرتباً به روز شود. فنĤوري جدید نشان داد که اگر چه اطلاعات بدست آمده از سنجنده هاي چند طیفی در بسیاري جنبه ها مفید بوده است اما محدودیتهاي خاص خود را نیز داشته است. بدین معنی که به دلیل تعداد محدود باندها و پهناي زیاد باند، مقدار زیادي از اطلاعات درباره گیاهان در طی مراحل انجام میانگینگیري از دست میرفته است.[4]
درحالی که ممکن است اطلاعات بدست آمده از تعدادي از باندهاي سنجندههاي چند طیفی براي متمایز کردن گیاهان از پدیدههاي غیر گیاهی مفید باشند، تفکیک گونههایی که بازتابندگی3 مشابه هم دارند از یکدیگر مشکل خواهد بود. با استفاده از سنجندههاي با قدرت تفکیک طیفی بالا، به طور قابل ملاحظهاي میتوان اطلاعاتی را که در این گونه موارد مفید هستند افزایش داد. این سنجنده ها داراي باندهاي طیفی متعددي میباشند.
این موضوع علاوه بر اینکه قابلیت این نوع تصاویر را در جهت بررسی و مطالعه پدیدههاي مختلف بالا میبرد، خود نیز ایجاد یک مشکل مینماید و آن افزایش باندهاي موجود و به تبع آن مسئله انتخاب باندهاي بهینه جهت مطالعه یک پدیده خاص میباشد. تا کنون مطالعات زیادي در رابطه انتخاب باندهاي بهینه براي آشکارسازي پدیدههاي خاص - همانند پوششهاي معدنی، عوارض زمینی و پوششهاي گیاهی - انجام شده است ولی این انتخابها منحصر بفرد نبوده و قابل ارتقاء میباشند.[6]
در این پژوهش سعی بر تشخیص گیاه یونجه به کمک داده هایی از تصویر هایپریون شده است. براي این کار ابتدا براي کاهش اثر جو بر روي تصویر از نرم افزار FLAASH که بر اساس الگوریتم MODTRAN طراحی شده و در نرم افزار ENVI موجود میباشد، استفاده شده است. با استفاده از اطلاعات طیفی آزمایشگاهی جمعآوري شده براي گیاه یونجه، شاخصهاي منحصر به فردي براي تشخیص این نوع گیاه تعریف شده است.
سپس با طراحی یک سیستم شبکه عصبی مصنوعی و به کار گیري این شاخصها یک طبقهبندي نظارت شده انجام گرفته است. تعدادي از این دادهها به عنوان دادههاي آموزشی براي آموزش دادن مدل وتعدادي از آنها که جز گروه اول نبوده به عنوان دادههاي ارزیابی مورد استفاده قرار گرفتهاند. آنگاه به وسیله دادههاي ارزیابی، دقت طبقهبندي محاسبه شده است. سپس طبقهبندي انجام شده با طبقهبندي به روش بیشترین شباهت مقایسه گردیده است.
.1-1 دادههاي مورد استفاده:
به منظور انجام این پژوهش از تصاویر سنجنده Hyperion مربوط به منطقه اي در جنوب تهران که در تاریخ 2002/5/21 اخذ شده، استفاده گردیده است - شکل. - 1 سنجنده Hyperion اولین سنجنده فراطیفی پرتاب شده به فضا میباشد که بر روي ماهواره EO-1 قرار دارد. این سنجنده داراي 224 باند در محدوده 400-2500 نانومتراست. قدرت تفکیک مکانی این سنجنده 30 متر بوده و داراي عرض باند تصویربرداري 7/5 کیلومتر میباشد. قسمتی از تصویر منطقه مورد مطالعه در شکل 1 نشان داده شده است.
2. روش پژوهش
در انجام این پژوهش مراحل ذیل طی شدهاست:
.1-2 پیش پردازش و تصحیح جوي تصویر
تصویر Hyperion در دسترس، تصویر Level 1 بوده که فقط تصحیحات رادیومتریکی بر روي آن اعمال شده بود. این تصویر داراي 224 باند بوده که فقط 196 باند از آنها کالیبره بودند. کانالهاي کالیبره شده شامل باند 8-57 براي محدوده مرئی و فروسرخ نزدیک - VNIR - و 77-224 براي فروسرخ موج کوتاه - SWIR - است. اولین مرحله، جدا سازي باندهاي کالیبره شده بود که پس از این کار 196 باند باقی ماند. یکی از مشکلات موجود در تصویر Hyperion این است که سنجندههاي VNIR و SWIR از آرایه 128 به بعد داراي یک پیکسل جابجایی میباشند که در این مرحله این جابجایی تصحیح گردید و پس از آن خطاي راه راه شدگی - Striping - موجود بر روي تصاویر حذف گردید. پس از این مرحله با استفاده از روابط زیر تصویر به تصویر چگالی شار - - L تبدیل گردید.
در مرحله بعد با استفاده از نرم افزار FLAASH و معرفی پارامترهاي مورد نیاز - از جمله پارامتر پدیداري - Visibility - ، تصویر منطقه مورد مطالعه تصحیح جوي گردید. سپس با استفاده از تابع Minimum Noise - MNF - Fraction باندهاي داراي نویز زیاد مشخص و حذف گردیدند که در نهایت 157 باند باقی ماند. پس از این مرحله، به منظور نمایش بهتر طیف بازتابی، تابع EFFORT به منظور حذف نقاط اضافی و یکنواخت کردن طیف بازتابی، بر روي تصویر اعمال گردید[5] و .[7] پس از انجام پیش پردازشها و تصحیح جوي، تصویر ماهوارهاي براي پژوهش در رابطه با تهیه الگوریتم ها و اعمال آنها بر روي تصویر آماده گردید.
