بخشی از مقاله
چکیده
تصاویر سنجش از دور در دو مقیاس پیکسلی و زیر پیکسلی مطالعه میشوند. از دیدگاه طبقه بندی تصویر، به مطالعات در مقیاس پیکسل، طبقه بندی سخت و در مقیاس زیرپیکسلی، طبقه بندی نرم اطلاق میشود. نوع سخت بر این فرض استوار است که پیکسلهای یک تصویر سنجش از دور فقط از یک ماده تشکیل شده و در اصطلاح خالص هستند.
در سوی مقابل طبقه بندی نرم اشاره به این موضوع دارد که پاسخ طیفی هر پیکسل ترکیبی از پاسخهای طیفی اجزاء سازنده آن پیکسل است. برای تجزیه طیفهای ترکیبی به اجزاء سازنده، روشهای تجزیه طیفی مورد استفاده قرار میگیرند. گروهی از روشهای تجزیه طیفی از دادههای اولیهای به نام نمونههای آموزشی برای آموزش الگوریتم استفاده میکنند.
کارایی این روشها هنگامی که نمونههای آموزشی به تعداد کافی در اختیار نباشد تحت تأثیر مشکلات بیش ابعادی و پدیده هیوز قرار گرفته و دقت طبقه بندی کاهش مییابد. مشکلات مذکور غالباً در طبقه بندی تصاویر ابرطیفی رخ میدهند، چراکه تهیه نمونههای آموزشی کافی بطوریکه متناسب با تعداد فراوان باندهای طیفی تصاویر ابرطیفی باشند،معمولاً مشکل است. در چنین شرایطی میتوان از روشهایی که قابلیت طبقه بندی مسائل با نمونههای آموزشی کم را دارند، استفاده کرد
در این تحقیق از روش رگرسیون بردار پشتیبان - SVR - برای طبقه بندی مناطق دگرسانی معدن مس پورفیری دره زار کرمان استفاده شد. با استفاده از 12 نمونه دگرسانی برداشت شده از منطقه در مقابل 165 باند طیفی تصویر هایپریون، دقت مطلوب نتایج بدست آمده نشان داد که SVR برای طبقه بندی نرم تصاویر ابرطیفی انتخاب مناسبی میتواند باشد.
مقدمه
زمین شناسان از بدو ظهور فناوری سنجش از دور، از آن برای تهیه نقشههای ناحیهای، تفسیر ساختاری منطقه، زمین شناسی محیطی و پیجویی ذخایر معدنی و هیدروکربنی استفاده میکنند - Van der Meer . - et al ., 2012 تاریخچه استفاده علم زمین شناسی از سنجش از دور را میتوان به سه دوره تقسیم نمود. دوره نخست متعلق است به تصاویر چند طیفی1 سنجندههای ماهواره لندست و ماهواره اسپات برای شناسایی اکسیدهای آهن، کانیهای رسی و تهیه نقشههای زمین شناسی.
دوره دوم را باید عصر تصاویر سنجنده استر نامید چرا که با داشتن قابلیت بالا در شناسایی انواع کانیها مورد توجه جوامع زمین شناسی قرار گرفت و در نهایت دوره سوم که باید اختصاص به تصاویر ابرطیفی2 داد - Beiranvand Pour et al., . - 2014 در حقیقت دقت طیفی بسیار زیاد سنجندههای ابرطیفی باعث اقبال بیش از پیش جوامع زمین شناسی نسبت به این نوع تصاویر شده است
تهیه نقشه پراکندگی کانیها، سنگها و کسب اطلاعات از ترکیبات سازنده سطح زمین با هدف اکتشافات ذخایر معدنی را میتوان از مهمترین کاربردهای زمین شناسی از سنجش از دور دانست، چراکه سنجندههای ابرطیفی توانایی شناسایی سنگها و کانیهای سطح زمین با جزئیات بیشتر را دارند . - Zhang and Peijun, 2014 - بنابراین شناسایی سیستمهای دگرسانی مرتبط با ذخایر معدنی احتمالی میتواند یکی از مهمترین زمینههای کاربردی سنجش از دور ابرطیفی در حوزه زمین شناسی و اکتشاف ذخایر معدنی باشد.
بطورکلی طبقه بندی تصاویر سنجش از دور در دو مقیاس پیکسلی3 و زیر پیکسلی4 قابل اجرا است که به ترتیب با عناوین طبقه بندی سخت5 و طبقه بندی نرم6 شناخته میشوند. طبقه بندی سخت بر این فرض استوار است که پیکسلهای سازنده تصویر تنها از یک نوع ماده تشکیل شده و یا به عبارتی کاملاً خالص میباشند.
در سوی مقابل طبقه بندی نرم اشاره به پیکسلهای ترکیبی دارد، یعنی طبقه بندی تصاویری که بیش از یک نوع ماده در ساخت پیکسلها نقش داشتهاند . - Heylen et al ., 2014 - احتمال حضور پیکسلهای ترکیبی در تصاویری با قدرت تفکیک مکانی کم بسیار زیاد است
تفکیک مکانی پایین که نتیجه میدان دید لحظهای - IFOV - 1 بزرگ سنجنده است، باعث میشود که پیکسلهای سازنده تصویر دارای ابعاد بزرگتری باشند. بنابراین احتمال حضور اشیاء و مواد مختلف در پیکسلهای وسیعتر بیشتر بوده و در نتیجه پاسخ طیفی ثبت شده برای هر پیکسل، ترکیبی از خصوصیات طیفی اجزاء تشکیل دهنده آن پیکسل خواهد بود. مشکل طیفهای ترکیبی نه تنها میتواند ناشی از پیکسلهای بزرگ باشد بلکه در مقیاس کوچکتری مثل مطالعات کانی شناسی نیز میتواند رخ دهد، چراکه یک نمونه سنگ کوچک خود ترکیبی از چندین کانی مختلف با خصوصیات طیفی متفاوت میباشد
بدلیل آنکه استفاده از روشهای طبقه بندی سخت برای طبقه بندی تصاویر دارای پیکسلهای ترکیبی بطور معمول همراه با خطا بوده و نتایج مطلوب حاصل نمیگردد، لذا روشهای تجزیه طیفی2 متنوعی توسعه پیدا کردهاند. هدف اصلی این روشها شناسایی و تخمین اجزاء سازنده پیکسلهای تصاویر است
روشهای تجزیه طیفی در طبقه بندی روشهای پردازش طیفی در گروه روشهای داده پایه3 قرار میگیرند
روشهای داده پایه نیازمند دادههایی با عنوان دادههای مرجع4 میباشند که متناسب با روش استفاده شده به دو دسته نمونههای آموزشی5 و اعضای انتهایی6 تقسیم میشوند. نمونههای آموزشی به مجموعهای از دادههای دارای برچسب اطلاق میگردد که نسبت به چندین ویژگی7 اندازه گیری شده و برای آموزش الگوریتم استفاده میشوند
این ویژگیها در سنجش از دور امواج الکترومغناطیسی بازتابیده شده از سطح زمین میباشند که توسط سنجندهها ثبت و در قالب باندهای طیفی ارائه میگردند.
کارایی روشهایی که از نمونههای آموزشی استفاده میکنند به تعداد نمونههای آموزشی در مقایسه با تعداد ویژگیها وابسته است. ثابت شده است که تعداد نمونههای آموزشی کم نسبت به تعداد زیاد ویژگیها می-تواند منجر به وقوع مشکلات بیش ابعادی8 و هیوز9 گردد که تأثیر نامطلوبی بر روی دقت طبقه بندی می-گذارند
احتمال رخداد مشکلات مذکور در طبقه بندی تصاویر ابرطیفی بالاست، چراکه این تصاویر دارای باندهای طیفی خیلی زیادتری از تصاویر چندطیفی هستند. از سویی دیگر فراهم کردن نمونههای آموزشی مکفی و متناسب با تعداد باندهای طیفی تصاویر ابرطیفی کار مشکلی است.
این مشکل هنگامی حادتر میشود که سعی بر تهیه نمونههای آموزشی از منطقه مطالعاتی باشد. در چنین شرایطی بجای تهیه نمونهای آموزشی فراوان که معمولاً با صرف زمان و هزینه زیاد همراه است، بهتر است الگوریتمهایی استفاده گردند که توانایی بالایی در طبقه بندی مسائل با نمونههای آموزشی کم دارند. از بین روشهای تجزیه طیفی داده پایهای که از نمونههای آموزشی استفاده میکنند، ماشین بردار پشتیبان10 - SVM - دارای این ویژگی است
