ماتریس خطا

پیچیدگی و حجم سنگین داده های حاصل از سنجنده های فراطیفی باعث شده است که امروزه روش های هرچه پیشرفته تر آنالیز داده های فراطیفی به منظور استخراج اطلاعات دقیق تر و کامل تر از آنها مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می شود، آشکارسازی طیفی هدف است. در این مقاله به منظور بررسی روش های آشکارسازی طیفی هدف و امکان سنجی بهبود آنها، جمعاً چهارده الگوریتم در قالب سه دسته اندازه گیری های قطعی، اندازه گیری های آماری و آشکارسازی آنامولی پیاده سازی شده است. سپس تصاویر حاصل از بهترین الگوریتم ها در هر دسته انتخاب شده و به روش های مختلف در دو مرحله با یکدیگر تلفیق گردیده اند تا تصویر تلفیقی بهینه ای با بالاترین صحت به دست آید. در بررسی های انجام شده در زمینه دسته الگوریتم ها ی آشکارسازی مذکور، مشخص گردید که به ترتیب دو الگوریتم (Spectral Correlation Similarity)SCS و (Spectral Angle Measure)SAM، دو الگوریتم (Information Spectral Divergence) SID و (Jeffiries-Matusita Distance)JMD و سه الگوریتم (Covariance-based Matched Filter Measure)CMFM، (Constrained Energy minimizing) CEM و (Correlation-based Matched Filter Measure)RMFM دارای بالاترین صحت آشکارسازی در بین الگوریتم های موجود در هر دسته اند. در این مقاله به منظور تلفیق نتایج آشکارسازی، دو روش باینری ـ شامل عملگر بولی و فاصله اقلیدسی ـ و نیز دو روش استنتاج فازی شامل دستی (Fuzzy Inference System) FIS و اتوماتیک ((System Adaptive Neuro-Fuzzy Inference) ANFIS) ـ پیاده سازی شده است. آزمون های انجام گرفته بر روی تصویری از سنجنده فراطیفی (Compact Airborne Spectrographic Imager)CASI از منطقه شهری تولوز واقع در جنوب فرانسه برای آشکارسازی بام ساختمان ها، نشان داد که در بین چهار روش تلفیق یاد شده، روش ANFIS به عنوان روشی هوشمند و خودکار، پس از اعمال روی نتایج هفت الگوریتم آشکارسازی طیفی مذکور، توانسته است به بالاترین صحت با ضریب کاپای 9/0 دست یابد.

نقشه های خاک به منزله یکی از نقشه های پایه در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی اهمیت زیادی دارند. نقشه های رقومی خاک بر پایه ارتباط بین ویژگی های محیطی و خاک پایه ریزی شده اند. هدف از انجام پژوهش حاضر، بررسی خطا و عدم قطعیت کلاس های رقومی خاک پیش بینی شده در سطوح مختلف سامانه رده بندی آمریکایی با استفاده از مدل شبکه عصبی مصنوعی است. تعداد 120 خاک رخ برمبنای یک الگوی شبکه ای منظم در دشت شهرکرد حفر، تشریح و نمونه برداری شد. برای تخمین کلاس های خاک، دو گروه ویژگی های خاکی (کمّی و کیفی) و داده های کمکی (شامل نقشه زمین شناسی، نقشه شکل اراضی، نقشه فاز شکل اراضی، نقشه خاک سنتی منطقه، شاخص تفاضل نرمال شده پوشش گیاهی و بعضی مشتقات مدل ارتفاع رقومی) مدنظر قرار گرفت. پس از تهیه نقشه های ویژگی های خاک و اطمینان از صحت و دقت آنها، این نقشه ها به همراه داده های کمکی برای تخمین کلاس های خاک با مدل شبکه عصبی مصنوعی در محیط نرم افزار R استفاده شدند و درنهایت دقت و عدم قطعیت مدل مزبور به ترتیب با صحت عمومی و شاخص درهمی ارزیابی شد. نتایج نشان داد ورود جزئیات بیشتر در رده بندی خاک ها در سطوح پایین طبقه بندی، ضمن افزایش تعداد کلاس ها، کاهش صحت عمومی و افزایش عدم قطعیت را به همراه داشته است. با توجه به حد پذیرفته صحت عمومی (75درصد)، مدل شبکه عصبی مصنوعی از صحت لازم تا سطح گروه بزرگ برخوردار بوده است؛ اما عدم قطعیت زیادی را داشته است؛ بنابراین صرف توجه به صحت مدل در انتخاب آن برای مدل سازی مؤثر نیست؛ بلکه در کنار خطای مدل، توجه به عدم قطعیت آن نیز بسیار مهم است. بر این اساس، به کارگیری روش های دیگری از محاسبات نرم برای مدل سازی در مناطق دشت یا مناطق با ناهمواری های کم پیشنهاد می شود.

مطالعه تطابق محتوای اطلاعاتی سنجندهها به منظور جایگزینی سنجنده ها در مناطقی که امکان دسترسی آسان به دادههای آنها وجود ندارد، در مطالعات سنجش از دور ضروری است. هدف از این پژوهش مقایسهی دو سنجندهی MSI ماهوارهی سنتینل ۲ و OLI ماهوارهی لندست ۸ میباشد تا امکان استفاده از آرشیو تصاویر لندست و همچنین جایگزینی تصاویر این دو ماهواره به جای یکدیگر مورد ارزیابی قرار بگیرد. برای رسیدن به این هدف، شهرستان مینودشت به عنوان منطقهی مورد مطالعه انتخاب گردید. این منطقه از نظر کلاس های پوشش اراضی متنوع بوده و انواع مختلف طبقات پوشش زمین در آن دیده می شود. به منظور بررسی محتوای اطلاعاتی دو سنجنده، سه جفت تصویر نسبتا همزمان از دو سنجنده انتخاب شد. ابتدا باندهای متناظر دو سنجنده که در محدوده طول موج یکسان فعالیت می کنند، تعیین شد. سپس هر زوج تصویر نسبت به هم ثبت هندسی شدند. جهت یکسان کردن اندازهی پیکسلها، قدرت تفکیک مکانی سنجندهی MSI به ۳۰ متر تبدیل شد تا همبستگی باندهای متناظر محاسبه شود. در گام بعدی، طبقه بندی ماشین بردار پشتیبان بر روی تصاویر انجام شد. نمونه های تعلیمی از نقشهی کاربری اراضی شهرستان مینودشت و تصاویر ماهوارهای با قدرت تفکیک مکانی بالا انتخاب شد. برای ارزیابی طبقه بندی با استفاده از نمونه های مستقل، ماتریس خطا تشکیل شد. نتایج نشان داد که تمامی باندهای متناظر همبستگی بالاتر از مقدار ۰.8 دارند و میزان صحت کلی و ضریب کاپای حاصل از طبقه بندی برای هر دو سنجنده تفاوت معنی داری با یکدیگر ندارند. میانگین صحت کلی به دست آمده برای سنجندههای OLI و MSI به ترتیب 91/35٪ و 94/79٪ میباشد. نتایج بدست آمده، نشانگر تطابق بالای دو سنجنده چند طیفی می باشد.

پژوهش حاضر با هدف بررسی وقوع بیابان زایی در محدوده ی پیرامون دریاچه ی ارومیه انجام شده است. بدین منظور در ابتدا، تصاویر ماهواره ی سنتینل-2 با استفاده از نرم افزار QGIS مورد پیش پردازش قرار گرفته و پس از انجام تصحیحات اتمسفری، اقدام به استخراج شاخص های طیفی نشانگر بیابان زایی (پوشش گیاهی تفاضلی نرمال شده ( NDVI )، آلبدوی سطحی، میزان نمناکی ( Wetness )، ضریب روشنایی ( Brightness )، میزان سبزینگی ( Greenness ) شد. پس از استخراج شاخص های طیفی مذکور و در جهت شناسایی مناسب ترین زوج شاخص های طیفی، میزان همبستگی و رابطه ی رگرسیونی موجود بین شاخص های مورد مطالعه با استفاده از تحلیل های آماری صورت پذیرفته در نرم افزار SPSS(22)  بررسی شد. بر طبق نتایج حاصل، میزان همبستگی برای زوج شاخص (میزان سبزینگی - ضریب روشنایی ( برابر با 9/4- و برای زوج شاخص (میزان نمناکی - ضریب روشنایی) برابر با 33/0- می باشد. در مرحله ی بعد نقشه ی خطر بیابان زایی بر اساس دو زوج شاخص مذکور تهیه و با استفاده از الگوریتم    Jenks Natural Break  در محیط نرم افزار ARC-GIS 10.6 در پنج کلاس خطر شدید، نسبتا شدید، متوسط، ضعیف و بدون خطر بیابان زایی، طبقه بندی شد. نتایج نشان داد که 89/9 درصد از کل مساحت محدوده ی مورد مطالعه در کلاس خطر شدید، 60/30 درصد در کلاس خطر نسبتا شدید، 48/37 درصد در کلاس خطر متوسط، 42/12 درصد در کلاس خطر ضعیف و 61/9 درصد در کلاس خطر بدون بیابان زایی قرار دارد. نتایج به دست آمده با استفاده از مشاهدات میدانی و ماتریس خطا ( Confusion Matrix using Ground truth ROI ) ارزیابی و با کسب ضریب کاپا 95/0 و درجه ی صحت 51/90 درصد مورد صحت سنجی قرار گرفت.