طراحی و اجرای الگوریتم آدابوست عارضهمبنا مبتنیبر یادگیری فعال بهمنظور طبقهبندی پوشش زمین در تصاویر با حد تفکیک مکانی بالا
نویسندگان
1 کارشناس ارشد سنجش از دور، دانشکدة نقشهبرداری، دانشگاه خواجه نصیرالدین طوسی
2 استاد دانشکدة مهندسی نقشهبرداری، عضو قطب علمی فنّاوری اطلاعات مکانی، دانشگاه صنعتی خواجه نصیرالدین طوسی
3 استادیار دانشکدة عمران، دانشگاه صنعتی نوشیروانی بابل
doi
10.52547/gisj.14.2.19چکیده
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیقتری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، بهدلیل جزئیات بسیار، دارای واریانس درونکلاسی زیاد و واریانس بینکلاسی اندکاند؛ ازاینرو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالشبرانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمانبر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمیشود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتمهای اتوماتیک است؛ بهصورتیکه توانایی مقابله با مشکلات ناشی از پیچیدگی صحنة تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضهمبنای تصویر که به مورفولوژی صحنة تصویر حساس است، بهویژه در مطالعهای شهری که تراکم ساختارهای شکلگرفته بهدست انسان بالاست، ممکن است کارآمد باشد. در طبقهبندی عارضهمبنا، پیکسلهای بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل میشوند؛ در نتیجه، فضای مسئله بهنسبت طبقهبندی پیکسلمبنا کاهش مییابد و مزیت این امر افزایش سرعت محاسبات است. درعینحال بهدلیل اندازة متنوع اشیای تصویری، طبقهبندی نظارتشدة عارضهمبنا در ایجاد مجموعة آموزشی بهینه با چالشهایی مواجه است. در تحقیق حاضر، بهمنظور طبقهبندی عارضهمبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونههای آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگیهای طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعة آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر بهمنظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگیها (افزونگی) و همبستگی بین ویژگیها و کلاسها (مطابقت)، زیرمجموعة ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه دادة استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقهبندی پیکسلمبنا مقایسه شده است. بهمنظور بررسی معنیداری اختلافهای حاصلشده در نتایج ارزیابیها نیز، آزمون آماری مکنمار بهکار رفته است. نتایج تجربی نشان دادند که رویکرد عارضهمبنای پیشنهادی، در قیاس با رویکرد پیکسلمبنا، بهطور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضهمبنای پیشنهادی، در مقایسه با رویکرد پیکسلمبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینة رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.
