بخشی از مقاله
چکیده
تصاویر ابرطیفی با قدرت تفکیک طیفی بالا باعث پیشرفتهای وسیعی در حوزههای مختلف سنجش ازدور شده-اند. یکی از مهم ترین کاربردهای این تصاویر در حوزه کشاورزی و جنگل میباشد. هدف از این تحقیق یافتن بهترین طبقهبندی کننده و بهبود دقت طبقهبندی گونههای مختلف گیاهی در منطقه Botswana با استفاده از الگوریتمهای تشخیص هدف در تصویر ابرطیفی میباشد. در گام اول الگوریتمهای تشخیص هدف بر روی تصویر ابر طیفی پیشپردازش شده پیادهسازی شد. در گام بعدی، اطلاعات الگوریتمهای تشخیص هدف با استفاده از آنالیز اکثریت برای پنجرههای با ابعاد مختلف مورد بررسی قرار گرفت. نتایج به دست آمده گویای بهترین دقت کلی در روش ACE و پس از اعمال آنالیز اکثریت با پنجره به ابعاد 9 در 9 برابر %97/40 بود که دقت کلی نسبت به الگوریتمهای تشخیص هدف تقریباً حداقل %8 بهبود یافته است.
.1 مقدمه
استفاده از اراضی سطح زمین بایستی بر پایه شناخت کامل محیط طبیعی و نوع استفاده از آن استوار باشد. پوشش اراضی به ترکیب و ویژگیهای عوارض روی زمین اشاره دارد. نحوه استفاده از زمین بهعنوان اطلاعات پایه برای برنامهریزیها و تصمیمگیریهای مختلف از اهمیت ویژهای برخوردار است. وجود اطلاعات کاربری و پوشش اراضی یکی از ابزارهای مهم برای برنامهریزیهای آتی کاربری اراضی میباشد. نقشههای کاربری اراضی که نمایانگر شرایط فعلی و توزیع جغرافیایی انواع پوششهای گیاهی، فعالیتهای کشاورزی، جنگلداری و ... هستند، نقش مهمی را در تصمیمگیریهای اقتصادی و زیست محیطی ایفا میکنند .
[1] نظارت بر محصولات کشاورزی و گونههای گیاهی نقش بسیار مهمی در تأمین مواد غذایی مورد نیاز جامعه جهانی و سلامت محیط زیست دارد. متأسفانه به علت بیتوجهی به مسائل اصولی توسعه، با افزایش جمعیت و توسعه اقتصاد و صنعت ، کمیت و کیفیت زمین های کشاورزی و گونههای گیاهی به سرعت رو به کاهش است که این موضوع در کشورمان نیز وجود دارد. در همین ارتباط، اندازه گیری دقیق انواع گونههای گیاهی از اهمیت مهمی در حفظ محیط زیست برخوردار است. فنآوری سنجش ازدور می تواند اطلاعاتی با ارزش و به موقع درباره انواع گونههای گیاهی، سطح زیر کشت محصولات کشاورزی و پتانسیل رشد گونه گیاهی خاص را در اختیار تصمیم گیران در بخش کشاورزی قرار دهد .[2] تصاویر ابر طیفی با دارا بودن قدرت تفکیک طیفی بالا موجب پدید آمدن پیشرفتهای چشمگیری در حوزههای مختلف سنجش ازدور مانند علوم نظامی، محیط زیست، زمینشناسی، علوم معدن و کشاورزی شدهاند.
سنجندههای ابرطیفی تصاویری با قدرت تفکیک طیفی بالا و در تعداد زیادی باند گسسته و باریک با پهنایی در حدود چند نانومتر را جمعآوری میکنند. این سنجندهها محدودههای طیفی مرئی، مادون قرمز نزدیک و مادون قرمز موج کوتاه را شامل میشوند و یک طیفتقریباً پیوسته را برای هرکدام از پیکسلهای موجود درصحنه بهوجود میآورند. هر ماده موجود در صحنه تصویر بهدلیل داشتن ترکیب و ساختار مولکولی مخصوص به خود، اثر طیفی منحصر به فردی از خود نشان میدهد که این مطلب در شکل - 1 - نشان داده شده است. این مطلب اساس کار شناسایی و آشکارسازی مواد مختلف از طریق فنآوری سنجشازدور میباشد. بنابراین استفاده از تصاویر ابرطیفی و به کارگیری الگوریتمهای آشکارسازی در آن ها می تواند امکان شناسایی مواد موردنظر بر روی زمین را از راه دور فراهم کند .[3]
شکل.1 نمایی از طیف نمایی تصویری [3]
در این تحقیق به دنبال بررسی روشهای تشخیص هدف جهت شناسایی انواع گونههای گیاهی با تصاویر ابرطیفی هستیم. این تحقیق بر روی تصویر ابرطیفی Bostwana انجام خواهد شد. درزمینه استفاده از تصاویر ابرطیفی و بهخصوص طبقهبندی تصویر ابرطیفی مربوط به منطقه Bostwana کارهای مختلفی انجام شده است. Demir و [4] Erturk در تحقیق خود یک الگوریتم ماشین بردار پشتیبان با دقتی را که برای طبقهبندی تصاویر ابرطیفی میباشد را ارائه دادند که از الگوهای آموزشی خطی - مرزی - استفاده میکند. این تحقیق روی داده ابرطیفی از منطقه Bostwana صورت گرفت. الگوهای آموزشی خطی - مرزی - در دو مرحله متوالی به دست میآیند.
در مرحله اول با استفاده از دادههای آموزشی هر کلاس یک خوشهبندی انجام میشود و مرکز خوشهها به عنوان داده آموزشی اولیه برای SVM انتخاب میشوند. در مرحله دوم داده آموزشی کاهش یافته مرکب از مراکز خوشهها در آموزش SVM استفاده میشوند و مراکز خوشه به دست آمده به عنوان بردارهای پشتیبان در این مرحله، نزدیک خطوط مرزی صفحات ابرطیفی جایگزین میشوند. درنهایت این الگوهای آموزشی خطی - مرزی - در آموزش طبقهبندی کننده SVM استفاده میشوند. نتایج این تحقیق نشان میدهد که میتوان با این روش پیشنهادشده دقت طبقهبندی با استفاده از SVM را بالا برد.
با توجه به اینکه در این تحقیق هدف استفاده از روشهای تشخیص هدف در شناسایی انواع گونههای گیاهی است در ادامه الگوریتمهای تشخیص هدف در تصاویر ابرطیفی نیز مطالعاتی انجام شده است، بیان خواهد شد. [5] Negahbani به بررسی و مقایسه الگوریتمهای Kelly، ACE، AMF، OSP، LMM، SSP و GML درزمینه آشکارسازی هدفهای معدنی روی تصویر سنجنده HyMap از منطقه cuprite در Nevada پرداخته است. درنهایت الگوریتمهای Kelly و ACE در کل نتایج بهتری ارائه کردهاند.
Sayedain و همکاران [6] در تحقیق خود به بررسی کارکرد الگوریتمهای تشخیص هدف برای طبقه-بندی گونههای گیاهی پرداخته است. در این تحقیق از یک تکنیک پسپردازش پیشنهادی جهت تلفیق اطلاعات به دست آمده از الگوریتمهای تشخیص هدف جهت بهبود دقت طبقهبندی استفاده شده است. در این تکنیک طبقهبندی کننده نهایی از اطلاعات تمام طبقهبندی کنندهها استفاده کرده و با یک تکنیک وزن دهی خاص توانسته دقت طبقهبندی را تا %9 بهبود ببخشد.
[7] Fahimnejad با استفاده از تصویر سنجنده هایپریون مربوط به جنوب تهران به ارزیابی تفکیک دو محصول گندم و جو پرداخته است. در این تحقیق از الگوریتمهای پیکسل مبنا مثل MLC و SAM و جزء پیکسل مثل LSU و MTMF استفاده کرده است که الگوریتمهای جزء پیکسل نتایج بهتری ارائه نمودهاند. [8] Mehrabi نیز به ارزیابی پتانسیل فنآوری سنجش ازدور در شناسایی و تخمین سطحی میزان کانی-های صنعتی ازجمله کائولونیت پرداخته و الگوریتمهای آشکارسازی مختلفی را با هم مقایسه کرده است. در این تحقیق الگوریتم MTMF بهعنوان دقیقترین روش جداسازی اهداف در سطح زیر پیکسل انتخاب شده است.
روشهای تشخیص هدف این گونه عمل میکنند که با معرفی طیف الکترومغناطیسی ماده هدف به این الگوریتمها، در تصویر شروع به جستجو کرده و پیکسلها را با توجه به درجه نزدیکی به آن ماده هدف طبقه-بندی میکنند. پس از اعمال این الگوریتم ها بر روی تصویر، خروجی هر یک از الگوریتمها یک نقشه سهم1 در قالب تصاویر درجه خاکستری از هدف موردنظر میباشد که مقدار هر پیکسل آن تخمینی از فراوانی اهداف ما را مشخص می کند. به عبارتی هرچه حضور این مواد در یک پیکسل بیش تر باشد، مقدار مربوط به آن پیکسل نیز بیشتر بوده و در تصویر سفیدتر دیده میشود .[10][9]
تصاویر ابرطیفیغالباً مناطق وسیعی را پوشش میدهند اما به علت پایین بودن قدرت تفکیک مکانی آن ها، طبقهبندی و تعیین دقیق کلاس ها برای همه مناطق پوشش داده شده در تصویر با مشکل روبرو است. بنابراین یکی از مشکلات مهم ایجاد شده به علت پایین بودن قدرت تفکیک مکانی ظهور پیکسلهای مختلط در تصویر است .[2] به همین منظور در این تحقیق استفاده از الگوریتمهای تشخیص هدف در سطح زیر پیکسل در دستور کار قرار گرفت. یکی از مضرات روشهای طبقهبندی این است که هر پیکسل بهصورت مجزا از پیکسلهای همسایه طبقهبندی میشود. بنابراین، هنگامی که تعداد زیادی پیکسل در یک منطقه خاص به یک کلاس خاص متعلق هستند، خیلی دور از ذهن است که یک پیکسل در همین منطقه به کلاس دیگری متعلق باشد. این تخصیص
