ماشین های بردار پشتیبان

آشکارسازی تغییرات با رویکرد شیءگرا در تصاویر با قدرت تفکیک مکانی بالا به این دلیل که علاوه بر ویژگی های طیفی از ویژگی های مکانی، هندسی و بافتی استفاده می کند در مقایسه با رویکرد پیکسل مبنا  نتایج بسیار خوبی به همراه داشته است. با این وجود، انتخاب الگوریتم و ویژگی های بهینه همچنان به عنوان چالشی اساسی باقی مانده است. در این تحقیق، جهت بهبود آشکارسازی تغییرات با رویکرد شیءگرا از الگوریتم جنگل تصادفی ( RF ) در فضای ویژگی های بهینه استفاده شده است. در این راستا، نخست ویژگی های بافت بر روی تصاویر مربوط به دو زمان متفاوت استخراج می شود و از PCA جهت انتخاب ویژگی های بافتی مناسب استفاده می گردد. سپس، قطعه بندی چند مقیاسه در فضای ترکیب یافته از باندهای طیفی و ویژگی های بافتی مناسب در چهار سطح مختلف با استفاده از نرم افزار Ecognition انجام شده و بهترین سطح قطعه بندی تعیین می شود. در ادامه، ویژگی های بافتی، مکانی و هندسی از روی تصویر قطعه بندی شده در بهترین سطح استخراج می گردد و بر اساس محاسبه ی فاصله اقلیدسی مربوط به نمونه های آموزشی در کلاس های مختلف، ویژگی های بهینه شناسایی می شوند. کارایی الگوریتم RF شیءگرا در مقایسه با روش های متداول SVM و KNN بر اساس معیار کاپا و صحت کلی و مدت زمان محاسبات مورد بررسی قرار گرفته است. در این تحقیق، از تصاویر ماهوارهای GeoEye-1 و Quick Bird-1 مربوط به سال های 2002 و 2015 جهت آشکارسازی تغییرات در جزیره قشم استفاده شده است. بر اساس نتایج تجربی، برای الگوریتم های RF شیءگرا، SVM  و KNN صحت کلی به ترتیب 57/86، 76/83 و 75 درصد و ضریب کاپا به ترتیب97/0,  75/0 و 63/0 به دست آمد. همچنین، RF به دلیل استفاده از آستانه گذاری بر روی باندهای مختلف و تولید طبقه بندی کننده های درختی با تنوع بالا و وزن دهی مناسب، نسبت به هر یک از نتایج طبقه بندی کننده ها توانست بالاترین دقت را تولید کند.

کاهش آورد رودخانه مرزی هیرمند از افغانستان به ایران از چالش های همیشگی مدیریت منابع آب در شرق کشور بوده که در سال های اخیر تشدید شده است. توسعة کشاورزی در پایین دست سد کجکی (در حوضه آبریز رودخانه هیرمند) در افغانستان و خشکسالی اخیر از دلایل کم شدن آب این رودخانه به شمار می آید. در مقالة حاضر به طور کمّی به این موضوع پرداخته می شود و برای این منظور کاربری اراضی دشت هلمند افغانستان با استفاده از تصاویر ماهواره ای بررسی شده است. به خاطر اهمیت نوع الگوریتم انتخاب شده در تهیه تصاویر طبقه بندی شده، سه الگوریتم بیشترین شباهت (MLC)، درخت تصمیم گیری (DT) و ماشین های بردار پشتیبان (SVM) ارزیابی شده اند. از مشکلات عمده در انجام آزمون ها، تهیة نمونه های آموزشی از افغانستان است؛ بدین منظور از نقشه های FAO، نقشه های اطلس کاربری اراضی افغانستان، نقشه های مرکز سازمان زمین شناسی امریکا و تصاویر Google Earth کمک گرفته شد. با توجه به تصاویر موجود، دورة 20 سالة اخیر در سه تاریخ 1990، 2001 و 2011 میلادی مربوط به ماهواره لندست (ETM+ TM,) در نظر گرفته شد و از هر سه روش جواب های نسبتاً مشابهی به دست آمد. نقشه های حاصل از الگوریتم های فوق با ضریب کاپا و دقت کلی ارزیابی شدند و دقت مناسبی داشتند. نتایج تغییرات کاربری اراضی نشان می دهند که مجموع کل کشت محصولات آبی در منطقه، حدود 62 درصد افزایش یافته، به طوری که مقدار آن از رقم 103 هزار هکتار در سال 1990، به حدود 122 هزار هکتار در سال 2001 و به حدود 167 هزار هکتار در سال 2011 رسید که مؤید تأثیر قطعی آن بر کاهش رواناب ورودی از رودخانه هیرمند به کشور است. با وجود نتایج نزدیک روش ها، طبقه بندی درخت تصمیم گیری کارآمدی بیشتری از لحاظ اتکای کمتر به نمونه های آموزشی از خود نشان داد.

شهرها جزء پیچیده ترین ساختار هایی هستند که از طریق جوامع بشری ساخته شده اند. اتوماسیون سلولی به طور گسترده برای شبیه سازی سیستم های پیچیده غیرخطی مورداستفاده قرار می گیرد. این مقاله ابتدا به تبیین اصول ساختاری و عمومی اتوماسیون سلولی می پردازد و سپس از مدل ماشین های بردار پشتیبان به عنوان یک روش در قوانین انتقال مدل اتوماسیون سلولی استفاده می کند. ماشین های بردار پشتیبان در برخورد با روابط غیرخطی پیچیده، مطلوب هستند. در ماشین های بردار پشتیبان برای به حداقل رساندن خطر ساختاری که در آن یک ابر صفحه طبقه بندی شده بهینه ساخته شده است. ماشین های بردار پشتیبان به عنوان روشی برای ساخت قوانین انتقال غیر خطی اتوماسیون سلولی می تواند پروژه های شبیه سازی را انجام دهد و در هر تکرار از شبیه سازی در بازه های زمانی مختلف احتمال توسعه شهر برآورد می شود. به عبارت دیگر با استفاده از ساخت قوانین انتقال مشخص می شود آیا یک سلول غیر شهری می تواند به یک سلول شهری تبدیل شود یا خیر و سپس فرآیند مدل بردار پشتیبان شرح داده می شود.