بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
مقايسة روش هاي شبکه عصبي مصنوعي ، ماشين بردار پشتيبان و شي ءگرا در استخراج کاربري و پوشش اراضي از تصاوير لندست
چکيده
تهية نقشه کاربري .پوشش اراضي ، براي برنامه ريزي و مديريت مکاني ضروري است . امروزه تصاوير ماهوره اي و تکنيک هاي سنجش از دور،به دليل فرآهم آوردن داده هاي بهنگام و قابليت بالاي آناليز تصاوير، کاربرد گسترده اي در تمامي بخش ها از جمله بخش هاي کشاورزي و منابع طبيعي دارند. در پژوهش حاضر طبقه بندي کننده هاي شبکه عصبي مصنوعي ، ماشين بردار پشتيبان و شي ءگرا جهت تهيه نقشة کاربري .پوشش اراضي شهرستان هاي اردبيل ، نير و نمين مورد ارزيابي قرار گرفت . تصوير سنجندة (OLI(Operational Land Imager لندست ٨ (سال ٢٠١٣) پس از تصحيحات هندسي و توپوگرافيکي تحت اين الگوريتم ها قرار گرفته و به ٩ طبقة کاربري و پوشش اراضي شامل پهنه هاي آبي ، زراعت آبي ، زراعت ديم ، چمنزار، برونزدگي سنگي ، جنگل ، مرتع ، عرصه هاي مسکوني و انسان - ساخت و فرودگاه طبقه بندي شد. پس از ارزيابي صحت ، صحت کلي براي نقشة حاصل از شبکه عصبي مصنوعي ، ماشين بردار پشتيبان و شي ءگرا به ترتيب برابر با ٨٩.٩١، ٨٥.٦٨ و٩٤.٣٧ درصد و مقدار کاپاي آن ها به ترتيب ٠.٨٨، ٠.٨٢ و ٠.٩٣ برآورد شد که نشان دهنده برتري روش شي ءگرا در مقايسه با دو روش ديگر است . هر سه روش توانستند صحتي قابل قبول براي نقشه هاي کاربري .پوشش اراضي ارائه دهند. در کل ، سه روش طبقه بندي پيشرفته ، در منطقة ناهمگن با تغييرات ارتفاعي بيش از ٣٦٠٠ متر با استفاده از نسل جديد تصاوير سنجنده لندست ٨ آزمون و مناسب ترين روش تهيه نقشة کاربري .پوشش اراضي معرفي شد.
مقدمه
کاربري و پوشش اراضي توصيف نوع بهره برداري انسان براي يک يا چند هدف بر روي يک قطعه زمين است (٥).
آگاهي از نوع و درصد کاربري و پوشش هاي مختلف نيازي بنيادي جهت شناخت و مديريت يک منطقه بوده و از اين اطلاعات پايه در ارزيابي منابع ، قابليت اراضي ، خاکشناسي ، پوشش گياهي ، فرسايش و رسوب ، شناخت توان و استعداد اراضي ، مرتع داري ، جنگل داري ، محيط زيست ، آمايش سرزمين و در کل برنامه ريزي هاي خرد و کلان استفاده مي شود (١، ٢، ١٥، ١٨ و ٢٤). چرا که بنيان برنامه ريزي مکاني بر پايه کاربري و پوشش هاي اراضي گذشته ، حال و آينده استوار بوده و همچنين تغييرات در مرز کاربري و پوشش اراضي توسط بهره برداران و تبديل ها و تغييرها همواره موجب نگراني در بخش هاي مختلف مي باشد (١، ٥، ٩ و ٢٤). تهية يک نقشة کاربري صحيح و دقيق و استفاده از روشي مناسب امروزه تبديل به موضوعي کليدي شده و اخيرا نيز با توسعة روش هاي جديد طبقه بندي تصوير مورد توجه بسياري از محققان قرار گرفته است (١٣، ١٧ و ٢٤). طبقه بندي تصوير رايج ترين روش کاربردي در تهية نقشه هاي توزيع مکاني کاربري اراضي و پوشش زمين است (١٩). تاکنون روش هاي طبقه بندي بسياري براي طبقه بندي يک تصوير سنجش از دوري توسعه يافته اند، که مروري جامع از اين روش ها در لو و ونگ (١٧) ارائه شده است . روش هاي طبقه بندي نظارت شده بر اساس نمونه هاي تعليمي سطح تصوير، پيکسل هايي از آن را که به لحاظ طيفي مشابه هستند با استفاده از روش هاي مختلف آماري طبقه بندي مي کنند. روش هاي شبکه عصبي مصنوعي و ماشين بردار پشتيبان از جمله روش هاي نظارت شده مي باشند که هر دو تا حد زيادي به نمونه هاي تعليمي برداشت شده توسط کاربر بستگي دارند. شبکه هاي عصبي مصنوعي عمدتا به صورت ناپارامتريک توصيف مي شوند، که باعث مي شود استفاده از يک شبکة عصبي به مفروضات توزيع آماري داده ها نياز نداشته باشد. گرچه ، کاربر بايد ساختار شبکه را تعيين کند، و همچنين پارامترهايي نظير نرخ تعليم ، که بر زمان تعليم اثر مي گذارد، و کارايي و ميزان همگرايي شبکة عصبي را نيز تعريف کند. هيچ قاعدة واضحي براي کمک به طراحي شبکه وجود نداشته ، و تنها قواعد ابتکاري براي راهنمايي کاربران در انتخاب پارامترهاي شبکه وجود دارد (٢٤). پرسپترون چندلايه اي (Multilayer perceptron) با استفاده از الگوريتم آموزشي انتشار بازگشتي (Back propagation) يکي از رايج ترين شبکه هاي عصبي مصنوعي است . در الگوريتم انتشار بازگشتي ، نياز است يک يا چند پارامتر توسط کاربر تعريف شود. انتخاب مقدار اين پارامترها مي تواند اثر بسيار مهمي بر کارايي شبکه داشته باشد (٢٤). برآورد گستردة از اثر اين انتخاب ها بر توانايي شبکه براي طبقه بندي الگوهايي ناشناخته توسط کاوازوگلو (١٢) انجام گرفته است . جذابيت ماشين هاي بردار پشتيبان يا Support vector machines( SVM) در قابليت آن ها در حداقل کردن ريسک ساختاري ، يا خطاي طبقه بندي ، هنگام حل مسئله ي طبقه بندي است (٢٥). عملکرد هسته اي SVM ها، ساخت يک ابرصفحة مجزا (يعني ، يک مرز تصميم گيري ) بر مبناي خصوصيات نمونه هاي تعليمي ، به ويژه توزيع آن ها در فضاي ويژگي مي باشد. اين ابرصفحه در معرض شرايطي قرار مي گيرد که حاشية تفکيک بين نمونه هاي طبقة ١+ و ١- حداکثر شود (٢٤). طبقه بندي شي ءگرا فرآيندي است که در آن کلاس هاي پوشش اراضي به اشياء تصويري ارتباط داده مي شود. اين نوع از طبقه بندي بر پاية منطق فازي استوار است و ارزش عوارض را به ارزش فازي يعني بين صفر تا يک با درجه عضويت معين براي هر کلاس تبديل مي کند. پيش از انجام طبقه بندي ابتدا سگمنت سازي انجام مي شود. سگمنت گروهي از پيکسل هاي همسايه در داخل يک ناحيه است که شباهت از نظر ارزش عددي و بافت مهمترين معيار مشترک آن ها است (١٢). سگمنت سازي مبناي طبقه بندي محسوب مي شود و هر چقدر سگمنت سازي با دقت بالاتري انجام گيرد در کيفيت طبقه بندي تأثير خواهد گذاشت . در فرآيند سگمنت سازي بايد پارامترهاي مقياس ، شکل ، بافت ، ضريب فشردگي در نظر گرفته شود و بر اساس نسبت اهميت هر يک از اين عوامل در خصوصيات کلاس هاي مورد نظر براي استخراج از تصاوير ماهواره اي ، نسبت اهميت آن ها را در فرآيند سگمنت سازي اعمال گردد. عدد مقياس بزرگ سگمنت هاي بزرگ و برعکس عدد کوچک سگمنت کوچکي ايجاد خواهد کرد (٣).
بالاسچک (٦) در مروري بر تحقيقات طبقه بندي شي ءگرا، توانايي آن را در استخراج اطلاعات مکاني از داده هاي سنجش از دوري مورد تأکيد قرار داده است . ارزيابي روش هاي مختلف تهية نقشه ي کاربري اراضي و پوشش زمين داراي اهميت زيادي است ، اينکه از کدام روش براي طبقه بندي تصوير و تهيه نقشه کاربري و پوشش اراضي استفاده گردد. تحقيقات قابل توجهي در اين ارتباط در دنيا انجام گرفته و در حال انجام مي باشد، تا با استفاده از رشد و توسعه امکانات سنجش از دوري اعم از تصوير، نرم افزار و غيره بتوان مناسب ترين روش را در تهيه نقشه کاربري و پوشش اراضي استفاده نمود. يانگ (٢٦) از تصوير +Enhancement Thematic Mapper) ETM)
در شرق انگلستان براي ارزيابي روش هاي حداکثر احتمال ، شبکه عصبي مصنوعي و ماشين بردار پشتيبان استفاده کردند و به ترتيب به صحت هاي ٨٢.٩، ٨٥.١ و ٨٧.٩ درصد براي روش هاي فوق دست يافتند.
لو و همکاران (١٦) روش هاي حداکثر احتمال و شي ءگرا را با استفاده از تصاوير Thematic Mapper) TM) براي منطقة آمازون برزيل مقايسه و نتيجه گرفتند که استفاده از روش شي ءگرا باعث بهبود سه درصدي صحت طبقه بندي در مقايسه با الگوريتم حداکثر احتمال شده است .
روستايي و همکاران (٢١) براي مقايسة روش هاي حداکثر احتمال ، شبکه عصبي مصنوعي و شي ءگرا در تبريز از تصوير +ETM استفاده و نتيجه گرفتند که روش شي ءگرا به روش هاي ديگر برتري دارد.
مظاهري و همکاران (٤) روش هاي حداکثر احتمال ، شبکه عصبي مصنوعي و ماشين بردار پشتيبان را در منطقة جيرفت مقايسه و به ترتيب به صحت هاي کلي, 84.7, ٩٦.٤، ٩٧.٧ و درصد براي هاي فوق دست يافتند. با توجه به روش مرور منابع و تئوري بحث در تهيه نقشه کاربري و پوشش اراضي اول اينکه اين بخش از دانش سنجش از دوري با توجه به توسعه روز افزون آن يک تحقيق دامنه دار مي باشد. دوم اينکه هر يک از اين روش ها با توجه به شرايط منطقة مورد مطالعه ، در يک منطقه از کارايي بهتري در مقايسه برخوردار مي باشند.
بنابراين ، هدف از اين تحقيق مقايسة روش هاي شبکه عصبي مصنوعي پرسپترون چندلايه ، ماشين بردار پشتيبان و شي ءگرا که از روش هاي در حال توسعه سنجش از دوري هستند، بوده تا ابتدا مقايسه کارايي آن ها در تهيه نقشه کاربري و پوشش اراضي انجام و سپس مناسب ترين روش در تهيه ي نقشة کاربري و پوشش اراضي با شرايط منطقة با پستي و بلندي زياد در سطح شهرستان هاي اردبيل ، نير و نمين ارائه گردد.
مواد و روش ها
منطقة مورد مطالعه
در پژوهش حاضر شهرستان هاي اردبيل ، نير و نمين مورد مطالعه قرار گرفت . منطقة مورد مطالعه بين °٤٧ و '٤٦ تا '٤٢ °٤٨ و طول شرقي و '٤٨ °٣٧ و تا '٣٨ °٣٨ و عرض شمالي واقع شده است (شکل ١).
کل محدودة مورد مطالعه مساحتي در حدود ٤٧٢٥٧٦ هکتار از استان اردبيل را در بر مي گيرد. کم ترين و بيشترين ارتفاع منطقه برابر با ١١٥١ و ٤٨١١ متر از سطح دريا مي باشد، که اين اختلاف ارتفاع زياد بر لزوم تصحيح توپوگرافيکي تصوير ماهواره اي تأکيد مي کند.
داده هاي مورد استفاده
در اين تحقيق از گذر- رديف ٣٣.١٦٧ و ٣٤.١٦٧ تصاوير ماهواره لندست ٨ سنجندة (OLI) مربوط به ٢٠١٣.٠٧.١٩ ميلادي (١٣٩٢.٠٤.٢٨ شمسي ) استفاده گرديد.
پيش پردازش و آماده سازي تصوير
طبقه بندي کاربري و پوشش اراضي بر اساس تصوير ماهواره اي و مقادير ثبت شده در پيکسل ها مي باشد. ابتدا جهت تصحيح هندسي ، با وجود اين که تصاوير زمين مرجع شده بودند (WGS84 .UTM )، ولي با استفاده ١٦ نقطه کنترل زميني ثبت شده با ٥٥٠ GPS Garmin Oregon تصاوير ابتدا کنترل و اصلاح شدند. سپس به دليل اختلاف ارتفاع زياد (٣٦٦٠ متر) منطقة مورد مطالعه ، نرمال سازي توپوگرافيکي با استفاده از روش مينارت (رابطة ١) و با استفاده از مدل رقومي ارتفاع (DEM) و آزيموت و ارتفاع خورشيدي حاصل از فايل متني ضميمة تصاوير انجام شد (١١).
که در اين رابطه ؛ ...Bvnorma1 مقادير روشنايي نرمال شده ، ...Bvobserved مقادير روشنايي مشاهده شده ، cosi کسينوس زاويه برخورد، cose کسينوس زاويه شيب و k ثابت مينارت است . بدليل اينکه منطقة مورد مطالعه در دو فريم تصوير قرار مي گيرد، پيش از انجام پردازش تصاوير موزاييک شده و برش بر مبناي مرز سه شهرستان انتخاب شده انجام شد (شکل ٢).
پردازش تصوير
پردازش تصوير با استفاده از سه روش طبقه بندي شامل :
شبکه عصبي مصنوعي ، ماشين بردار پشتيبان و شي ءگرا بر روي تصوير آماده شده به شرح زير انجام گرفت .
شبکه عصبي مصنوعي
پرسپترون چندلايه اي (Multilayer perceptron.MLP) با استفاده از الگوريتم تعليمي انتشار بازگشتي از رايج ترين شبکه هاي عصبي مصنوعي است . بدين صورت که لاية ورودي بر خلاف ديگر لايه ها، هيچ محاسباتي را انجام نمي دهد. لاية مرکزي ، لايه اي پنهان که در شبکه هاي پيچيده ممکن است بيشتر از يک لاية پنهان وجود داشته باشد. آخرين لاية سمت راست عصب ها، لاية خروجي است ، که نتايج طبقه بندي را توليد مي کند (شکل ٢). در پژوهش حاضر جهت استفاده از روش شبکه عصبي مصنوعي و بر اساس گزارش کاوازوگلو (١٢) و کم بودن طبقات خروجي (١٠) تنها از يک لاية پنهان استفاده شد. انتشار بازگشتي با دو مرحله انتشار رو به جلو و انتشار رو به عقب ، تا زماني که وضعيت عصبي آن بهتر شود تداوم پيدا کرد. در طول مرحلة تعليمي ، هر نمونه در داخل لاية ورودي تغذيه شده ، و فعاليت عصب ها از لاية ورودي تا لاية خروجي در قالب برخي توابع نگاشت به طور پي در پي بروز شده و وزن گرفتند. براي بروز رساني اين وزن ها از رابطة ٢ استفاده شد (٢٤).
در اين رابطه ؛ بيانگر وزن ، η پارامتر نرخ تعليم و ξ ضريب مومنتوم مي باشند. جهت تعيين مقدار اين پارامترها همان طور که در تسو و ماتر (٢٤) اشاره شده است ، تلاش شد تا η خيلي بزرگ انتخاب نشود، تا نتيجة جستجو ضعيف نشود. همچنين در انجام اين مرحله مقدار η خيلي کوچک نيز انتخاب نگرديد تا مرحلة آموزشي شبکه زياد وقت گير نباشد (٢٤). بدين صورت که با توجه به کاوازوگلو (١٢) و آزمون و خطا از مومنتوم بين ٠.٥ تا ٠.٦ براي بروز رساني وزن ها و براي نرخ تعليمي نيز مقاديري بين ٠.١ تا ٠.٢ استفاده و در نهايت مقدار ٠.٥ براي مومنتوم و ٠.١ براي نرخ تعليم انتخاب شد. در مجموع در اين روش ، از مقادير مختلف براي پارامترهاي شرکت کننده در فرآيند تعليم استفاده و در نهايت از بين نقشه هاي توليد شده ، يک نقشه با بالاترين صحت نهايي انتخاب شد تا با روش هاي ديگر مقايسه شود. مقدار پارامترهاي آستانه تعليم ، نرخ تعليمي ، مومنتوم تعليمي ، RMS (Root Mean Square) تعليم ، تعداد لاية پنهان و تکرار تعليم نقشه نهايي به ترتيب ٠.٩، ٠.١، ٠.٥، ٠.١، ١ و ٣٠٠٠ بوده است . نودهاي ورودي براي طبقه بندي پس از نرماليزه کردن داده ها، باندهاي تصوير (به جز باندهاي حرارتي و پانکروماتيک ) و نودهاي خروجي ٩ طبقة کاربري و پوشش اراضي (پهنه هاي آبي ، عرصه هاي انسان ساخت و مسکوني ، برونزدگي سنگي ، فرودگاه ، زراعت آبي ، زراعت ديم ، جنگل ، مرتع و چمنزار) بوده اند. در اين تحقيق از معماري شبکه عصبي مصنوعي پرسپترون ٣ لايه اي با انتشار بازگشتي استفاده شد (شکل ٢).
ماشين بردار پشتيبان
معمولا تنها مي توان يک زيرمجموعه از نمونه هاي تعليمي را بوسيلة ابرصفحه به عنوان بردارهاي پشتيبان انتخاب کرد که اين ويژگي ، منحصر به ماشين هاي بردار پشتيبان يا SVMهاست . در برخي موارد، که يک ابرصفحه ي خطي قادر به جداسازی مناسب طبقات نیست ، Svm ها یک استراتژی قدیمی تر تحت عنوان SVM های غیر خطی را استفاده میکنند .
(٢٥). براي سطوح تصميم گيري غيرخطي ، همانطور که بوسر و همکاران (٧) پيشنهاد کردند، يک بردار ويژگي در داخل يک فضاي اقليدسي با بعد بيشتر يا يک جنراليزاسيون فضاي اقليدسي تحت عنوان فضاي Hilbert ترسيم شد، تا پرسپترون ٣ لايه اي با انتشار بازگشتي توزيع نمونه هاي تعليمي گسترش يافته بطوريکه جاسازي يک ابرصفحة خطي را آسان کند. نمونه هاي تعليمي که در داخل فضايي با بعد بيشتر h طرح ريزي شده اند، توسط يک تابع نگاشت بردار غيرخطي ، ناميده شدند (٢٤) که معادله آن به صورت رابطة ٣ مورد توجه قرار گرفت .
از آن جا که واپنيک (٢٥) يک راه ديگر براي کاهش بار محاسباتي توسط يک تابع کرنل مثبت معين که با مشخص مي شود، پيشنهاد کرده است ، به طوري که است ، قاعدة تصميم گيري را به صورت رابطة ٤ تعميم داده که در اين تحقيق مورد توجه قرار گرفت :
با استفاده از رابطة ٤ يک تابع کرنل به صورت رابطة ٥ به دست آمد.
قابل ذکر اينکه توابع کرنل که جهت جاسازي SVMها استفاده شده اند، بايد شرط Mercer را دارا بوده ، يعني تابع کرنل بايد در شرط رابطة ٦ صدق مي کرد:
در اين رابطه ؛ تابع مربع انتگرال پذير است ، براي تضمين اينکه يک جفت نگاشت وجود داشته باشد، و بعدا در مرحلة تعليمي نيز همگرا شود (٢٤). با توجه به تسو و ماتر (٢٤)، کرنل هاي متعددي ، مانند چندجمله اي (متجانس و نامتجانس )، تابع پايه شعاعي ، تابع پايه شعاعي گوسين و کرنل حلقوي توسعه يافته اند. به دليل اينکه کرنل هاي تابع پايه شعاعي (رابطة ٧) و حلقوي (رابطة ٨) در تحقيقات گذشته (٢٢) نتايج بهتري را به نسبت کرنل هاي خطي و غيرخطي داشته است ، در
