طبقه بندی تصاویر ماهواره با استفاده از شاخص های چند طیفی: رویکرد درخت تصمیم

خوشه بندی نقاط کلیدی
ژانویه 21, 2021
Multi-spectral SIFT for Scene Category Recognition
فوریه 4, 2021

طبقه بندی تصاویر ماهواره با استفاده از شاخص های چند طیفی: رویکرد درخت تصمیم

طبقه بندی تصاویر از راه دور یک گام مهم و حیاتی در زمینه برنامه ریزی کاربری اراضی است. اگرچه الگوریتم های مختلفی برای طبقه بندی تصاویر ماهواره ای به راحتی در دسترس هستند ، اما استفاده از منطق درخت تصمیم گیری نتایج امیدوار کننده ای را ارائه می دهد. درخت تصمیم مورد استفاده در این مطالعه با استفاده از ده شاخص با کمک داده های IRS-P6 LISS IV و داده های Landsat-8 OLI و TIRSطراحی و دقیق شد.شاخص های پوشش گیاهی مانند سبز نرمال (NG) ، قرمز نرمال (NR) ، نرمال شده نزدیک مادون قرمز (NNIR) ، شاخص پوشش گیاهی سبز (VI سبز) ، شاخص تفاوت نرمال پوشش گیاهی (NDVI) ، شاخص تفاوت نرمال آب (NDWI) ، خاک اصلاح شده شاخص پوشش گیاهی تعدیل شده (MSAVI-2) و شاخص پوشش گیاهی تعدیل شده خاک (OSAVI) با استفاده از باندهای سبز ، قرمز و مادون قرمز از تصویر LISS IV تولید شدند. شاخص ایجاد شده تفاوت نرمال (NDBI) و منطقه ساخته شده (BUA) با استفاده از باند موج مادون قرمز موج کوتاه (SWIR) و باندهای Near Infrared Band (NIR) از تصویر LANDSAT-8 ایجاد شده اند.با مشاهده این مقادیر شاخصها برای کلاسهای مختلف استفاده از زمین / پوشش زمین (LU / LC) ، مقادیر آستانه تعیین و درخت تصمیم با استفاده از ابزار مهندس دانش ERDAS تهیه شد. سپس از درخت تصمیم توسعه یافته برای طبقه بندی تصاویر و در نهایت پس از پردازش برای حذف پرهیزها استفاده شد. ارزیابی صحت طبقه بندی انجام شده است و 90.83 درصد از دقت کلی و 0.8764 از ضریب کاپا را نشان می دهد. روش درخت تصمیم در مقایسه با صرف استفاده از مقدار بازتاب باندهای طیفی ، دقت بهتری در طبقه بندی تصویر می دهد. این به شما کمک می کند اطلاعات دقیق کلاسهای LU / LC را برای برنامه ریزی کاربری اراضی بدست آورید.

سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS) اکنون به طور گسترده ای برای تجزیه و تحلیل منابع زمین و آب برای اقدامات مختلف توسعه و برنامه ریزی استفاده می شود. طبقه بندی تصویر ضروری ترین مرحله در RS و GIS برای هر نوع مطالعه در یک منطقه است (عبد ال و دیگران ، 2011 ؛ لو و همکاران ، 2013). الگوریتم های مختلفی برای طبقه بندی وجود دارد و روش هایی برای طبقه بندی تصاویر ماهواره ای تولید و آزمایش شده اند. با این حال ، بیشتر الگوریتم های طبقه بندی به طور کلی پارامتری و براساس توزیع گوسی هستند.امروزه طبقه بندی براساس شبکه عصبی مصنوعی (ANN) و درخت تصمیم بسیار محبوب شده است. این روش های طبقه بندی شامل تکنیک های غیر پارامتری است. حتی اگر روشهای درخت تصمیم سالها بخصوص در پخش تلویزیونی مورد استفاده قرار می گرفت ، هنوز در طبقه بندی تصویر در مرحله توسعه است. روش درخت تصمیم به طور کلی برای طبقه بندی استفاده می شود ، زیرا این یک ساختار ساده سلسله مراتبی برای درک کاربر و تصمیم گیری است. تکنیک های طبقه بندی درخت تصمیم با موفقیت برای طیف وسیعی از مشکلات طبقه بندی استفاده شده است. این تکنیک ها به دلیل انعطاف پذیری ، سادگی بصری و کارایی محاسباتی ، از مزایای قابل توجهی برای مشکلات طبقه بندی سنجش از دور برخوردار هستند.

با وجود این ، چندین الگوریتم داده کاوی از جمله شبکه عصبی مصنوعی ، قانون نزدیکترین همسایه و طبقه بندی بیزین که برای طبقه بندی یک تصویر موجود است ، روش درخت تصمیم سهولت ایجاد ساختار سلسله مراتبی از درخت تصمیم را براساس شرایط یا قوانین برای طبقه بندی تصویر فراهم می کند. بنابراین ، الگوریتم طبقه بندی درخت تصمیم در حال افزایش پذیرش طبقه بندی پوشش زمین است (NRSC ، 2006). همچنین به دلیل توانایی آن در مدیریت داده های پر نویز و از دست رفته ، برای صحنه های مشکل ساز بسیار مفید است (کوینلان و کافمن ، 1993).

از شاخص های پوشش گیاهی به طور گسترده ای در سنجش از دور برای ارزیابی و تجزیه و تحلیل زیست توده ، آب ، گیاهان و محصولات استفاده شده است (جکسون و هوته ، 1991). از این رو ، طبقه بندی مبتنی بر شاخص های گیاهی در شناسایی کلاس های استفاده از زمین / پوشش زمین (LU / LC) بسیار مفید خواهد بود و یک پایه قوی را برای اعمال شرایط و قوانین برای تمایز پیکسل فراهم می کند. از این رو ، در این مطالعه سعی شده است از طبقه بندی درخت تصمیم بر اساس شاخصهای مختلف پوشش گیاهی استفاده شود. علاوه بر شاخص های پوشش گیاهی ، ازشاخص های آب و ساخته شده برای استخراج آب و مناطق ساخته شده نیز استفاده می شود.

منطقه مورد مطالعه برای آزمایش طبقه بندی درخت تصمیم گیری شامل قسمت جنوبی Namakkal و قسمت شمالی Karur Taluks از تامیل نادو است. منطقه مورد مطالعه وجود تلاقی رودخانه های آماراواتی و کاووری است. در ارتفاع متوسط 120 متری از سطح متوسط دریا واقع شده است. رودخانه Cauvery از جهت شمال غربی به جهت جنوب شرقی و رودخانه Amaravati از جهت جنوب غربی به جهت شمال شرقی جریان دارد. واحدهای ژئومورفیک برجسته ای که در این منطقه شناسایی شده اند دشت آبرفتی و شیبدار هستند. موسمی شمال شرقی عمدتا به بارندگی در منطقه مورد مطالعه کمک می کند. میانگین بارندگی سالانه منطقه مورد مطالعه از حدود 620 میلی متر تا 745 میلی متر متغیر است. میانگین حداکثر دما از 7/26 ºC تا 56/38 درجه سانتی گراد است. گرمای روز فشار آور است و دما به 43.9 درجه سانتی گراد می رسد (ساببوراژ ، 2008).

پایگاه داده و روش
روند طبقه بندی تصویر مبتنی بر درخت تصمیم به طور معمول به یک تصویر ماهواره ای با وضوح بالا نیاز دارد. در این مطالعه از داده های IRS-P6 LISS IV با وضوح مکانی 5.8 متر استفاده شد. این تصویر با نگاشت UTM و WGS 84 Datum اصلاح شده است. برای محاسبه شاخص ساخته شده ، از باند مادون قرمز موج کوتاه (SWIR) و باند مادون قرمز نزدیک (NIR) باندهای LANDSAT 8 Image Operational Land Imager (OLI) و سنسور مادون قرمز حرارتی (TIRS) استفاده شد. ERDAS IMAGINE 9.2 برای تشکیل درخت تصمیم گیری و کلاس بندی و از ArcGIS برای تهیه نقشه استفاده شد

شاخص های پوشش گیاهی حساس تر از مقادیر پیکسل باند های جداگانه هستند (بارت و گایوت ، 1991). از این رو ، شاخص های مختلف گیاهی با استفاده از ترکیبات باند طیفی از تصویر سبز ، قرمز و مادون قرمز از تصویر LISS IV ایجاد می شوند. هشت شاخص گیاهی وجود دارد. سبز نرمال (NG) ، قرمز نرمال (NR) ، نرمال نزدیک مادون قرمز (NNIR) ، شاخص پوشش گیاهی سبز (VI سبز) ، شاخص پوشش گیاهی تفاوت طبیعی (NDVI) ، شاخص آب تفاوت طبیعی (NDWI) ، شاخص پوشش گیاهی تعدیل شده خاک – 2 (MSAVI – 2) ، و شاخص بهینه سازی خاک اصلاح شده (OSAVI) ایجاد شد. شاخص هایی مانند شاخص تفاوت متعارف ساخته شده (NDBI) و منطقه ساخته شده (BUA) با استفاده از باند موج مادون قرمز موج کوتاه (SWIR) و باند مادون قرمز نزدیک (NIR) باند LANDSAT – 8 تصویر تولید شدند. معادلات مورد استفاده برای تولید شاخص در زیر ذکر شده است:

فرمول بندی درخت تصمیم
روش درخت تصمیم ، بازنمایی گرافیکی فرایند تصمیم گیری است که به راحتی توسط کاربران قابل تفسیر است. با شروع از ریشه ، هر گره آزمایشی که تصمیم می گیرد را به کار می برد کدام یک از شاخه های بعدی را برای آزمایش های بعدی انتخاب کند. این کار به صورت بازگشتی ادامه می یابد تا رسیدن به گره برگ (Quinlan ، 1993). درخت تصمیم گروههای همگن را طبق متغیرهای تعریف شده در قوانین ایجاد می کند و در مجموعه داده پارتیشن بندی می کند. درخت ساده تر است و از نظر فنی استفاده از آن آسان است. جالبتر است که درختی تهیه کنید که متناسب با احتمال متغیرهای مورد آزمایش باشد. طبقه بندی مبتنی بر درخت تصمیم گیری برای تصمیم گیری مناسب در مورد هر کلاس به اندازه گیری بازتاب طیفی یا شاخص ها در لایه های مختلف نیاز دارد. در این مطالعه ، مهندس دانش در ERDAS IMAGINE برای تدوین درخت تصمیم استفاده شد. در ابتدا ، فرضیه ایجاد شد و سپس قوانین با توجه به کلاسهای LU / LC تصمیم گیری شد. مقادیر آستانه برای هر کلاس LU / LC بر اساس شاخص های مشتق شده تعیین شد. سرانجام ، سطح اطمینان تعریف شد و کل ساختار به عنوان یک مدل آماده شد. ساختار درخت تصمیم مبتنی بر مهندس دانش در شکل 7 نشان داده شده است.

در مطالعه حاضر ، در مجموع 2000 مقادیر شاخص برای تعیین آستانه ای برای تشخیص کلاسهای مختلف LU / LC اندازه گیری شد. برای هر مورد از کلاس LU / LC ، 50 نقطه تصادفی مشخص شد و مقادیر آستانه برای هر شاخص تعیین شد. بر این اساس ، مجموع 350 مقادیر شاخص برای هر گروه از گیاهان دارای تنش زیاد ، محصولات با تنش متوسط ، محصولات سالم و زمین های آیش اندازه گیری شد.برای کلاسهای استقرار ، آب و شن و ماسه LU / LC ، در مجموع 200 مقدار شاخص برای هر کلاس اندازه گیری شد. این مقادیر شاخص با دقت بررسی شده و آستانه هر کلاس LU / LC در برابر هر شاخص تعیین شد. سطح اطمینان 0.75 برای اجرای همه مدل ها به اتفاق آرا برای اجرای مدل در مهندس دانش به تصویب رسید. متغیرها برای هر کلاس و مقادیر آستانه آنها در جدول 1 ارائه شده است.



2 Comments

  1. Gulsom گفت:

    عالی بود مطالب ممنون

  2. Gulsom گفت:

    NDVI و NDWI را Decision three کردم ساحه که ابر و برف بود را آب میکشید راه حل چی است

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *