آنالیز مؤلفه های اصلی

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.

جنگل های زاگرس بیشترین تأثیر را در تأمین آب، حفظ خاک و تعدیل آب  و هوای کشور دارد. با این وجود بخش قابل توجهی از این جنگل ها دچار پدیده ی زوال درختان بلوط شده است. مشخص نبودن پارامترهای مؤثر در زوال و نحوه ی ارتباط پارامترها، از جمله عواملی هستند که باعث سخت تر شدن شناخت و مدل سازی این پدیده می شود. هدف این پژوهش تعیین پارامترهای تاثیرگذار برای مدل سازی زوال درختان بلوط و مدل سازی این پدیده با استفاده از شبکه های عصبی مصنوعی در استان لرستان است. در ا ین پژوهش، پارامترهای دما، بارش، ارتفاع، شیب، جهت، نوع خاک و میزان ریزگردها به عنوان پارامترهای اولیه انتخاب شدند. همچنین از عملگرهای ضرب، لگاریتم، تبدیلات هذلولی و آنالیز مؤلفه های اصلی برای ترکیب پارامترها استفاده شد. به دلیل معلوم نبودن نحوه ی ارتباط و میزان اثر هر پارامتر، از شبکه های عصبی مصنوعی برای مدل سازی پدیده زوال استفاده شد. در مجموع 385 ترکیب مختلف از پارامترهای اولیه، با استفاده از عملگرهای فوق تولید و در سه معماری پیش خور با سه لایه پنهان، احتمالاتی و معماری ماشین بردار پشتیبان در شبکه های عصبی، (در مجموع تعداد 1155 شبکه ی عصبی) ارزیابی شد. نتایج ارزیابی نشان داد معماری احتمالاتی ( 87 /0= R ) با ورودی های ارتفاع، جهت، شیب، ریز گرد، نوع خاک و مؤلفه ی اصلی (بارش و دما) بهترین عملکرد را در مدل سازی زوال درختان بلوط دارد. با توجه به نتایج، استفاده از شبکه های عصبی مصنوعی احتمالاتی در شرایط عدم قطعیت و وجود دانش جزئی از پدیده، توصیه می شود. همچنین نتایج نشان دادند که استفاده از مؤلفه ی اصلی پارامترهای دما و بارش، استرس ناشی از خشکی را بهتر مدل می کند. استفاده از ترکیب بهینه ی پارامترها، در مدل احتمالاتی نسبت به ترکیب عادی، باعث افزایش 05/0 ضریب همبستگی شد .