مقایسه روشهای یادگیری ماشین با روشهای کلاسه بندی متداول جهت کلاس بندی تصاویر ماهواره ای

در گذشته برای ایجاد نقشه های رده بندی عوارض مختلف در سطح زمین از روش های مطالعه میدانی که بسیار وقت گیر و هزینه بر بود استفاده می شد. با ظهور ماهواره ها و برداشت تصاویر ماهواره ای، این مهم توسط تصاویر ماهواره ای و پردازش آنها انجام می شود. اما مشکل این است که دقت نتیجه های استخراج شده بستگی به عملکرد روش پردازش تصویر برای رده بندی دارد. روش های متداول رده بندی در گذشته توانسته اند به نحو مطلوبی این مهم را به انجام رسانند. با ظهور روش های جدید پیشرفته آماری و یادگیری ماشین، می توان امید داشت که این روش ها عملیات رده بندی تصاویر ماهواره ای را بهتر از روش های متداول انجام دهند. در این مطالعه جهت رده بندی کاربری اراضی مختلف از روش های پیشرفته آماری و یادگیری ماشین استفاده شده و عملکرد آنها با روش های متعارف مقایسه می شوند. بدین منظور از داده های تشعشع ابرطیفی استفاده می شود که درطول و عرض های جغرافیایی مشخصی جمع آوری شده اند. این داده ها شامل 176 متغیر توضیحی (باند ماهواره) و یک متغیر پاسخ 13رده ای است که نوع پوشش گیاهی در مختصات جغرافیایی منطقه مورد مطالعه را مشخص می کند. مقادیر متغیر توضیحی توسط سنجنده aviris برداشت شده است. برای استخراج داده ها، از تصاویر ماهواره ای land sat استفاده شده است. منطقه مطالعاتی در kfc ( kennedy flight center) ایالت فلوریدا آمریکا واقع شده است. روش های پیشرفته آماری مورد مطالعه در این پایان نامه، شامل ماشین بردار پشتیبان و جنگل تصادفی می باشند. روش ماشین بردار پشتیبان دارای 4 تابع کرنل مختلف است که هر یک از آنها دارای پارامترهای خاص خود می باشند. انتخاب نوع توابع کرنل و بهینه سازی مقادیر پارامترهای آن که با استفاده از جستجوی نقطه ای انجام می شود، دارای هزینه محاسباتی گزافی است. جنگل تصادفی، مجموعه ای از چندین درخت تصمیم است که ساخت آن وابسته به دو پارامتر تعداد درخت و تعداد متغیرهای مورد نیاز در رشد درخت می باشد که هزینه اجرای آن بسیار کمتر از روش ماشین بردار پشتیبان است. این دو روش ذکر شده جزء روش های پیشرفته هستند و روش های متداول آماری شامل تحلیل ممیزی درجه دوم، تحلیل ممیزی خطی است که در علوم مهندسی به ترتیب روش ماکزیمم درستنمایی، فاصله ماهالونبیس نامیده می شوند. مدل نهایی از مقایسه روش های پیشرفته و متداول آماری حاصل می شود. نتیجه مقایسه این 4 روش، مدل ماشین بردار پشتیبان با کرنل نرمال را مدل منتخب با دقت کلی 958/0 معرفی نموده که حساسیت بالایی برای تمامی رده ها دارد. به عبارت دیگر رده بندی برای تمامی 13 رده را بخوبی انجام داده است.