تصاویر ابرطیفی

در این مقاله، پژوهشی نوین از تلفیق داده های ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه داده هایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیش تر، دانشگاه هیوستن در منطقة مجاور شهری به کار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق داده های فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگی های عوارض ساختمانی را دارد، می توان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی داده های ابرطیفی تصویرِ سطح بندی شده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطح بندی، روش پیشنهادی و دیگر روش های موجود در این زمینه مقایسه می شوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسه ای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. به هرحال، دقت به دست آمده از نتایج روش انجام گرفته در این مقاله برابر با 56/95%، میزان کامل بودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمان های موجود در داده های ابرطیفی هوایی و لیدار دریافت شده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمان های موجود در تصاویر نام برده شده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شده اند.

بیشتر الگوریتم های طبقه بندی داده های سنجش از دور براساس ویژگی ها و اطلاعات طیفی پیکسل ها عمل می کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر می شود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربری ها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده از بافت تصویر تک باند سنجنده ALI (Advanced Land Imager) بر دقت طبقه بندی تصاویر ابرطیفی سنجنده هایپریون«Hyperion» در محیط های شهری بررسی شد. طبقه بندی با استفاده از روش جنگل های تصادفی[1] و در پنج سناریوی مختلف انجام شد: سناریوی شماره 1: طبقه بندی اطلاعات طیفی تصویر ادغام شده به روش [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقه بندی تصویر CNT با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هم وقوعی در اندازه های پنجره 3، 5، 7 و 9 هستند. براساس یافته های این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش CNT دقت طبقه بندی را بهبود چشمگیری داد، به گونه ای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوشش های کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینه دقت تولیدکننده و مصرف کننده رشد چشمگیری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ویژگی مانند میانگین و کنتراست نیز، توانستند از لحاظ میزان اهمیت در رتبه های بالا قرار گیرند. همچنین، افزایش اندازه پنجره منجر به بهبود بیشتر دقت طبقه بندی شد، به گونه ای که اندازه پنجره 9 بهترین عملکرد را در پی داشت.

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.

طبقه بندی پوششی تالاب ها به منظور شناسایی نوع گونه های گیاهی داخل تالاب و تمایز آن با پوشش گیاهی حاشیه ی تالاب و بررسی تغییرات اکوسیستم آنها از اهمیت ویژه ای برخوردار است. با توجه به مشابهت طیفی بین گونه های مختلف گیاهی تالاب و گیاهان حاشیه ی تالاب و زمین های کشاورزی این امر با استفاده از داده های چندطیفی با مشکلاتی مواجه است و داده های ابرطیفی می تواند در این زمینه بسیار سودمند باشد. در این مطالعه توان سنجنده های ابرطیفی و چندطیفی در شناسایی ویژگی های تالاب و توانایی سنجنده های ETM+(۲۰۱۱)، Hyperion(۲۰۱۱) و ALI(۲۰۱۱) به منظور مطالعه ی ویژگی های تالاب شادگان طی سال ۱۳۹۰ بررسی شد و شاخص های مختلف طیفی به همراه ترکیب مناسبی از باندهای تصاویر ماهواره ای سنجنده های مذکور به عنوان ورودی انواع روش های طبقه بندی شامل روش های حداکثر احتمال، حداقل فاصله، شبکه عصبی و ماشین بردار پشتیبان مورد مقایسه قرار گرفت. نتایج نشان داد که روش های ماشین بردار پشتیبان و شبکه عصبی با دارا بودن دقت طبقه بندی بالای ۸۵ درصد در هر سه تصویر, نتایج نزدیک تری به واقعیت نشان می دهند. دقت طبقه بندی برای هر سه تصویر برای روش ماشین بردار پشتیبان در بالاترین حد خود بود به طوریکه برای تصویر Hyperion صحت کلی برابر ۹۵.۷۳، برای ALI برابر ۸۸.۰۳ و برای ETM+ برابر با ۸۹.۳۴ است. بنابراین ویژگی های در نظر گرفته شده برای تالاب، در سه تصویر حاصل از الگوریتم SVM نشان داد که نمایش تمایز کاربری پوشش گیاهی حاشیه تالاب از کاربری زمین های کشاورزی آبی دارای ابهام بیشتری نسبت به سایر ویژگی های تالاب است. بررسی ها نشان داد که این بخش در تصاویر ALI و ETM+ نسبت به تصاویر Hyperion کمتر قابل شناسایی هستند و یا در برخی مناطق این قسمت ها اصلا قابل تفکیک از ارضی کشاورزی آبی نیستند، در حالیکه Hyperion به دلیل دارای بودن تعداد ۲۲۰ باند و داشتن سطح بالاتری از جزئیات طیفی, توانایی تفکیک این دو کلاس را از هم دارد.