جنگل های تصادفی

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.

ب ا توج ه ب ه وس عت زی اد کش ور ایران و گس تردگی من اطق پتانس یل دار ذخ ایر مع دنی (وج ود کمربن د ولک انیکی ارومی ه دخت ر) و ل زوم شناس ایی و م دیریت ص حیح ای ن ذخ ایر، اس تفاده از سیستم اطلاع ات مکانی به همراه مدل های پیش بینی کننده داده و دانش محور، نقش بس یار مهمی به منظور تهیه نقشه پتانسیل از احتمال یافتن ذخایر معدنی در یک مکان خاص دارد. هدف این تحقیق پیش بینی ذخایر مس پورفیری در منطقه دهج - بزمان استان کرمان با استفاده از دو روش جنگل ها ی تصادفی[1] و ماشین بردار پشتیبان[2] است. به این منظور، از یک پایگاه داده مکانی متشکل از نقشه ها ی جنس واحدهای سنگی، ساختارها، آلتراسیون، ژئوشیمی، ژئوفیریک و موقعیت 24 کانسار مس پورفیری شناخته شده در منطقه استفاده شد. با توجه به نتایج حاصل شده، مدل جنگل ها ی تصادفی توانست با صحت 93.33 درصد مناطق امید بخش ذخایر مس پورفیری را پیش بینی کند. همچنین، در نقشه پتانسیل بدست آمده از این مدل، مناطق هدف 14 درصد از منطقه مورد مطالعه را در برگرفته است، که در آن 92 درصد ذخایر شناخته شده مشخص شده اند. علاوه بر این، به منظور مقایسه نقشه پتانسیل ذخایر مس پورفیری منتج از روش جنگل های تصادفی، از روش ماشین بردار پشتیبان و روش های دانش محور همپوشانی شاخص و منطق فازی استفاده شد. در نقشه های پتانسیل ذخایر مس پورفیری بدست آمده از سه روش ماشین بردار پشتیبان، همپوشانی شاخص و منطق فازی به ترتیب مناطق هدف 17،16،14 درصد از منطقه مورد مطالعه را در برگرفته است که در آن ها 79،83،87 درصد ذخایر شناخته شده وجود دارند. براساس نتایج این تحقیق، مدل جنگل ها ی تصادفی از نظر صحت پیش بینی از کارایی بالاتری نسبت به مدل های دیگر برخوردار بوده و مدل های ماشین بردار پشتیبان، همپوشانی شاخص و منطق فازی به ترتیب در رتبه های بعدی قرار دارند. [1] Random Forest (RF)[2]  Support Vector Machine (SVM)