طیبه مناقبی

این مقاله روشی برای بهبود نتایج حاصل از الگوریتم وارونگی سه مرحله ای، با استفاده از تکنیک تداخل سنجی پلاریمتری راداری و برمبنای مدل دولایه ای پراکنش حجمی نامنظم روی سطوح، عرضه می کند. در روش مرسوم سه مرحله ای، مقادیر فاز زمین و ضریب میرایی و ارتفاع لایة حجمی، در یک روند سه مرحله ای هندسی و بدون نیاز به داده مبنای مدل رقومی ارتفاعی زمین یا اطلاعات اولیه برآورد می شوند. در این روش، برآورد مقادیر میرایی و ارتفاع لایة حجمی، در مرحلة سوم و با جست وجو در فضایی دوبعدی، انجام می شود. در الگوریتم بهبودیافتة مطرح شده، معرفی یک شاخص هندسی جدید برمبنای میزان نفوذ سیگنال حجمی در جنگل، دامنة جست وجوی مقدار میرایی در مرحلة سوم را محدود می کند. شاخص مطرح شده، در جایگاه اطلاعات کمکی، سبب می شود جست وجو در محدودة مناسب تری صورت پذیرد. الگوریتم عرضه شده روی داده های پلاریمتری اینترفرومتری تک خط مبنا و تک فرکانس باند L سنجندة ESAR اجرا شد. محدودیت ایجادشده در دامنة مقدار عددی میرایی، در مقایسه با روش سه مرحله ای، بهبود میانگین دقت 5/2 متر را در ارتفاع برآوردشده نتیجه داد.

استخراج اطلاعات دقیق مربوط به موقعیت، تراکم و توزیع ساختمان ها در محدوده شهری از اهمیت بسیار بالایی برخوردار است که در کاربردهای مختلفی مورد استفاده قرار می گیرد. سنجش از دور یکی از کارآمدترین تکنولوژی های تهیه نقشه است که در مناطق وسیع، با سرعت بالا، هزینه مقرون به صرفه و با به کارگیری داده های به روز مورد استفاده قرار می گیرد. تاکنون روش ها و داده های متعددی برای این منظور مورد استفاده قرار گرفته است. در این راستا، در تحقیق حاضر از یک روش نیمه خودکار به منظور تهیه نقشه محدوده شهری و ساختمان های شهر تبریز و از تصاویر ماهواره ای سنتینل-1 و 2 در سامانه گوگل ارث انجین استفاده شد. برای این منظور، بعد از فراخوانی تصاویر و اعمال پیش پردازش های لازم در موتور مجازی، نقشه مناطق شهری اولیه و ساختمان هایی با پتانسیل بالا از تصاویر سنتینل-1 تولید شد. در مرحله بعد، به منظور حذف ویژگی های مزاحم و استخراج مناطق شهری ثانویه، شاخص های طیفی از تصاویر سنتنیل-2 استخراج شد. سپس برای آستانه گذاری ویژگی ها از آستانه گذاری هیستوگرام به روش تک مدی استفاده شد. در نهایت، با ادغام نقشه ساختمان های با پتانسیل بالا و نقشه مناطق شهری ثانویه، نقشه نهایی تولید و مورد ارزیابی قرار گرفت. نتایج حاصل، نشان دهنده صحت کلی 90/11 درصد و ضریب کاپای 0/803 می باشد. براساس مقایسه های کمّی و کیفی انجام شده، روش پیشنهادی از عملکرد مطلوبی برخوردار می باشد. از مهم ترین مزایای روش پیشنهادی می توان به رایگان بودن داده ها و متن باز بودن سامانه گوگل ارث انجین اشاره کرد. بنابراین، می توان نتیجه گرفت که استفاده همزمان از داده های سنجش از دور راداری و اپتیکی در محیط سامانه گوگل ارث انجین، پتانسیل بسیار بالایی در متمایز کردن ویژگی ها و تهیه نقشه ساختمان ها دارد.

با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه روز افزایش و عمومیت می یابد. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهه گذشته، روش های بسیاری برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی بر یادگیری شبکه های کپسول برای طبقه بندی تصاویر ابرطیفی به کار رفته است؛ به گونه ای که ساختار شبکه بتواند، با استفاده از یک لایه کانولوشنی و یک لایه کپسول، بهترین حالت تولید ویژگی ها را داشته باشد و درعین حال از بیش برازش شبکه روی نمونه های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی های تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقه بندی، رویکرد استخراج ویژگی ازطریق شبکه طراحی شده و طبقه بندی با استفاده از الگوریتم درخت تقویتی XGBoost، با روش طبقه بندی ازطریق شبکه عمیق سراسری مقایسه شد تا، علاوه بر بررسی و کیفیت سنجی ویژگی های عمیق برداری تولیدی به روش پیشنهادی در طبقه بندی کننده های گوناگون، میزان توانایی شبکه های عمیق سراسری نیز، در کاربرد طبقه بندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایه اصلی است: 1)  Prime با کپسول هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) Digitcaps دارای دَه کپسول شانزده بعدی؛ 3) لایه تماماً متصل. نتایج بررسی دو رویکرد برای شبکه عمیق و نیز ترکیب شبکه های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکردهایی همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh برای مقایسه رویکرد پیشنهادی براساس پیکربندی هایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه داده Indian Pines نیز، شامل شانزده کلاس متفاوت، به کار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقه بندی تصاویر با دقت 99% روی داده های آموزش و دقت 5/97% روی داده های تست انجام می شود.