بخشی از مقاله
چکیده :
انواع مختلف ابر میتوانند با استفاده از توصیفگرهای مختلف در تصاویر ماهوارهای اپتیکی شناسایی شوند. این توصیفگر ها میتوانند مثل میانگین دربردارندهی اطلاعات در مورد روشنایی تصویر باشند یا میتوانند مثل خطای میانگین مربعات گرادیان و آنتروپی ترکیبی و همگونی دربردارندهی اطلاعات بافت تصویر باشند و یا مانند ضرایب فرکانس بالای تبدیل ویولت و کسینوسی شامل اطلاعات لبه باشند. در این مقاله با استفاده از این توصیفگر ها از طبقه بندی کننده ی ماشین بردار پشتیبان - SVM - به منظور شناسایی نواحی ابری و غیر ابری استفاده شده است. باندهای استفاده شده به منظور شناسایی ابر باندهای 7،6،5،4،3،2 و 9 سنسور تصویربردار عملیاتی زمین - OLI - ماهوارهی لندست 8 میباشند. این باندها همان باندهای به کار گرفته شده در روش اف ماسک هستند.
برخی از توصیفگرها روی باندهای خاص دقت طبقه بندی بالاتری میدهند که به عنوان نمونه میتوان به توصیفگر اختلاف مرتبه اول اشاره کرد که دقت کلی بالاتری روی باند 4 نسبت به باند 6 میدهد .سه شاخص دقت کلی، ضریب کاپا و دقت تولید کنندهی ابر روی مجموعههای مختلفی از توصیفگرها که این مجموعهها با استفاده از آنالیز کارلیشن بین توصیفگرهای مختلف به دست آمدند، مورد بررسی قرار گرفت. نتایج طبقهبندی به دست آمده نشان میدهد در صورت بررسی کارلیشن به منظور انتخاب توصیفگرهای بهینه و بهینه کردن پارامتر تنظیم - C - طبقهبندی کنندهی SVM با استفاده از روش جستجوی گرید و استفاده از دادههای آموزشی مناسب می توان به دقت کلی و دقت تولید کنندهی ابر بالای 90% در طبقهبندی دست یافت.بررسی افزایش تعداد توصیف گر ها روی باند های 3،2 و 4 نشان می دهد که با افزایش تعداد توصیف گر ها، دقت کلی طبقهبندی افزایش مییابد.
واژههای کلیدی : ابر، استخراج توصیفگر، SVM، تصویر لندست × .8
-1 مقدمه
-1-1روش های شناسایی ابر:
روشهای شناسایی ابر را میتوان به دو دستهی روشهای فیزیکی و مدلهای داده کاوی1 تقسیم کرد.مدلهای فیزیکی شامل یک سری حد آستانهها مثل انعکاس2 ، دما و... میباشند .پیچیدگی فرآیندهای شیمیایی و فیزیکی آب و هوایی باعث میشود این روشها برای شناسایی ابر با دقت مطلوب کافی نباشند .برای مثال ابرهای چند لایه3 ویژگیهای انعکاسی و تشعشع پیچیده ای دارند.به خاطر عدم توانایی در درک کامل ویژگیهای ابر، محققین اخیرا به روش های داده کاوی روی آورده اند.[1]از طبقهبندی کننده4های شبکه عصبی5، بیشترین احتمال6، درخت تصمیم گیری7 و یکی از نزدیک ترین همسایگی ها8 برای شناسایی ابراستفاده شده است. در مقایسه با روش های فیزیکی روش های داده کاوی دقت طبقه بندی را به طرز قابل توجهی بهبود دادند.[1]
عظیمی 9 در مقالهی خود از باند مادون قرمز ماهوارهی محیطی-عملیاتی زمین آهنگ8 10 برای طبقهبندی ابر استفاده کرد. از هر بلوک تصویر آمار مرتبهی اول و دوم استخراج شده و برای آموزش و ارزیابی طبقهبندی کننده به کار گرفته شد. در این مقاله از ماشین بردار پشتیبان سلسله مراتبی11 برای طبقهبندی10 کلاس ابر و غیر ابر استفاده شد. نتایج اولیه نشان میدهد که این روش برای کاربردهای هواشناسی مناسب است.همچنین عظیمی بیان میکند که استفاده از باند مرئی در کنار باند مادون قرمز مشکل جداسازی انواع ابرهای مشابه مثل آلتوستراتوس12 از استراتوس13 را برطرف میکند.
دقت کلی طبقهبندی در این مقاله تقریبا %78.5 به دست آمد که نسبت به حالتی که از طبقه بندی کنندهی شبکه عصبی احتمالی14 استفاده میشود حدود 3 درصد بهبود مییابد به علاوه دادههای آموزشی به کاربرده شده بیشتر از دادههای آموزشی در حالت استفاده از شبکهی عصبی بود. انتظار می رود که وقتی از ویژگیهای مقدار تجزیه ی منفرد15 هر دو باند مادون قرمز و مرئی برای آموزش16 طبقهبندی کنندهی ماشین بردار پشتیبان استفاده شود، نتایج بهبود پیدا کند.[2]لی در مقالهی خود کارایی استفاده از اطلاعات طیفی و مکانی چند باند را در شناسایی مناطق ابری و غیر ابری نشان داد.
هدف او بهبود ماسک ابر مادیس17 در مواقعی بود که حد آستانههای مورد استفاده شده در الگوریتم نمایندهی دوشناسایی ابر در تصاویر ماهواره ای اپتیکی با استفاده...کلاس مختلف نباشند. ابتدا از ماسک ابر مادیس برای طبقهبندی اولیه استفاده شد سپس روش بیشترین احتمال 18به منظور بهبود طبقهبندی به کار گرفته شد. از محدودیتهای این روش وابستگی دقت طبقهبندی به طبقهبندی اولیه است به علاوه نویز دستگاه و خطاهای کالیبراسیون روی الگوریتم ماسک ابر و دقت طبقه بندی نهایی تاثیر میگذارند که کالیبراسیون دقیق را ملزم میکند.در نهایت لی این طور نتیجه گیری میکند که ترکیب روش طبقهبندی بیش ترین احتمال با الگوریتم ماسک ابر مادیس شناسایی نواحی بدون ابر و همچنین شناسایی انواع ابر را بهبود میدهد.[3]
-2-1طبقه بندی بردار پشتیبان:19
هدف از طبقه بندی پیدا کردن تابعی است که دادهها را از هم جدا کند، این تابع با استفاده از نمونه های آموزشی موجود به دست میآید. در واقع هدف ایجاد یک تابعی است که بتوان آن را به نمونه های دیگر تعمیم داد. همان طور که در شکل 1 دیده می شود طبقهبندی کنندههای خطی زیادی وجود دارد که میتواند داده ها را از هم جدا کند اما فقط یکی از این طبقه بندی کنندهها وجود دارد که حاشیه - 20فاصله ی بین ابر صفحه 21 و نزدیک ترین دادهی هر کلاس - را ماکزیمم میکند. به این طبقه بندی کنندهی خطی اصطلاحا ابر صفحهی جدا کنندهی بهینه22 گفته می-شود. در نتیجه انتظار میرود که این ابر صفحهی بهینه در مقایسهی با سایر ابر صفحهها به خوبی به دادههای دیگر تعمیم داده شود.[ 4 ]
-3-1تعیین صفحهی جدا کننده در حالت تعمیم یافته:
در این قسمت حالتی مورد بررسی قرار می گیرد که داده ها به صورت خطی از هم قابل جداسازی نباشند - شکل . - 2-1
