[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 7، شماره 1 - ( 6-1396 ) ::
دوره 7 شماره 1 صفحات 137-155 برگشت به فهرست نسخه ها
بررسی عملکرد روش های یادگیری جمعی با توجه به روش انتخاب ویژگی، به منظور ادغام طبقه بندی کننده های انعکاسی و حرارتی با هدف شناسایی ابر، ابر سیروس و برف/یخ در تصاویر مادیس
نفیسه قاسمیان*، مهدی آخوند زاده هنزائی
چکیده:   (2351 مشاهده)

تقریبا همه­ی تصاویر سنجنده­ی مادیس دارای قسمت­های پوشیده از ابر هستند. به منظور استخراج اطلاعات صحیح از داده­های مادیس، یکی از پیش­پردازش­های کلیدی شناسایی پیکسل­های ابری و جداسازی آن از عوارض مشابه مانند برف/یخ است. ویژگی­های مورد استفاده در طبقه­بندی ابر به دو دسته­ی ویژگی­های بافتی و طیفی تقسیم می­شوند. با استفاده از ویژگی­های بافتی باند­های مرئی امکان جداسازی پیکسل­های ابر از پیکسل­های برف/یخ فراهم می­شود ولی ابر و برف می­توانند دارای ویژگی­های حرارتی مشابه باشند. همچنین از ویژگی­های حرارتی (دما) در ماسک ابر مادیس به منظور شناسایی ابر­ها در ارتفاع­های مختلف استفاده شده است. مطالعات زیادی به منظور طبقه­بندی پوشش سطح زمین با استفاده از روش­های یادگیری جمعی انجام شده است و از این روش­ها صرفا به منظور طبقه­بندی استفاده شده است. در این تحقیق کاربردی جدید از روش­های یادگیری جمعی در مقایسه با مطالعات پیشین مطرح شده است و از این روش­ها به منظور ادغام دو نوع مختلف از طبقه­بندی کننده­ها که نوع اول طبقه­بندی کننده­هایی با ویژگی­های انعکاسی و نوع دوم با ویژگی­های حرارتی هستند، استفاده شده است. همچنین در مطالعات پیشین، اثر تغییر ویژگی­های ورودی بر عملکرد نهایی روش­های یادگیری جمعی مورد بررسی قرار نگرفته است. بنابراین هدف این تحقیق مقایسه­ی نتیجه­ی ادغام طبقه­بندی کننده­های با ویژگی­های انعکاسی و حرارتی با استفاده از دو نوع از روش­های یادگیری جمعی شامل boosting و الگوریتم جنگل تصادفی(RF)، به منظور شناسایی پیکسل­های ابری، سیروس و برف/یخ با توجه به روش انتخاب ویژگی می­باشد. ابتدا به منظور انتخاب ویژگی­های انعکاسی و حرارتی در روش­های boosting به کار گرفته شده، شامل adaboost.M1، adaboostSVM،logitboost  و totalboost از روش­های معیار S و الگوریتم ژنتیک (GA) و در روش RF علاوه بر روش­های ذکر شده از روش حذف ویژگی به روش بازگشتی (RFE) و ماتریس کارلیشن استفاده شد. سپس طبقه­بندی کننده­ها در سطح تصمیم با یکدیگر ادغام شدند. برای اکثر روش­های یادگیری جمعی صرف نظر از روش انتخاب ویژگی، دقت تولید­کننده­ی ابر وسیروس بالایی دست آمد. استفاده از دو روش RFE و ماتریس کارلیشن در الگوریتم RF توانست دقت کاربری پیکسل­های ابر به ترتیب 99% و 100% را نتیجه دهد که نسبت به حالتی که از روش­های معیار S و الگوریتم ژنتیک (GA) برای انتخاب ویژگی استفاده شد، دقت­های بالا­تری را نشان داد. روش­های boosting صرف نظر از روش انتخاب ویژگی با اختصاص وزن بیشتر به دادههای آموزشی مربوط به کلاس با تعداد داده­های آموزشی کم­تر،  توانستند به دقت تولید­کننده­ی برف/یخ بالا­تری تسبت به الگوریتم RF دست یابند. همچنین این روش­ها دقت کاربری سیروس نسبتا بالا­تری نسبت به روش­های RF نتیجه دادند. در بین روش­های انتخاب ویژگی مختلف در RF روش ماتریس کارلیشن توانست دقت کاربری سیروس 91% را نتیجه دهد. در انتها، میزان توافق نتایج طبقه­بندی با نقشه­ی مرجع به دست آمده از ماسک ابر مادیس محاسبه شد. روش­های RF درصد توافق­های بالا­تری نسبت به روش­های boosting نتیجه دادند. بالا­ترین درصد توافق برای روش RF-RFE به مقدار 76% و پایین­ترین برای روش logit boost-GA به مقدار 42% به دست آمد.

واژه‌های کلیدی: روش های یادگیری جمعی، انتخاب ویژگی، ابر، برف/یخ، سیروس، ادغام، طبقه بندی کننده های انعکاسی و حرارتی
متن کامل [PDF 1843 kb]   (1772 دریافت)    
نوع مطالعه: ترویجی | موضوع مقاله: فتوگرامتری و سنجش از دور
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ghasemian N, Akhoondzadeh Hanzaei M. Investigating the Performance of the Ensemble Learning Methods using the Feature Selection Method Approach, for the Integration of Reflective and Thermal Classifiers to Identify the Cloud, Cirrus Clouds and Cnow/Ice in MODIS Satellite Images. JGST. 2017; 7 (1) :137-155
URL: http://jgst.issge.ir/article-1-550-fa.html

قاسمیان نفیسه، آخوند زاده هنزائی مهدی. بررسی عملکرد روش های یادگیری جمعی با توجه به روش انتخاب ویژگی، به منظور ادغام طبقه بندی کننده های انعکاسی و حرارتی با هدف شناسایی ابر، ابر سیروس و برف/یخ در تصاویر مادیس. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1396; 7 (1) :137-155

URL: http://jgst.issge.ir/article-1-550-fa.html



دوره 7، شماره 1 - ( 6-1396 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology