مقاله درمورد طبقه بندی بر اساس و روش های طبقه بندی

MSAVI1 شاخص اصلاح شده خاک QIET (1994)
MSAVI2 شاخص اصلاح شده خاک QIET (1994)
WDVI شاخص گیاهی تفاضلی وزن دار شده CLEVERS (1988)
در محاسبه شاخص های PVI,PVI1,DVI,WDVI,MSAVI1 باند مادون قرمز به عنوان متغیر وابسته و از باند قرمز به عنوان متغیر مستقل در نظر گرفته شد.در محاسبه شاخص های PVI2,PVI3,TSAVI1,TSAVI2 باند قرمز به عنوان متغیر وابسته و از باند مادون قرمز به عنوان متغیر مستقل در نظر گرفته شد.در معادلات بدست آمده ضریب مستقل نشان دهنده فاصله از خط خاک و ضریب وابسته به X نشان دهنده شیب خط خاک بود.همچنین با توجه به پوشش منطقه فاکتور تعدیل خاک 0.5 در نظر گرفته شد.
4-1-10-بررسی توانمندی معیارهای بافت و شاخص های پوشش گیاهی در تفکیک پدیده ها
پس از تهیه نمونه های تعلیمی و رقومی کردن محدوده آن ها و استخراج نشان های طیفی ویژه هر کاربری،قابلیت جدا شدن نمونه های تعلیمی و طبقات کاربری ها بر اساس باندها بوسیله آزمون جفری-ماتوسیا مورد بررسی قرار گرفت.بر اساس این معیار و مقادیر جدایی پذیری بدست امده برای هر یک از گروه های طیفی مناسب ترین باندها که قادر به جداسازی طیفی طبقات مختلف کاربری هستند انتخاب شدند.حاصل این فرایند نموداری است که در آن خطوط،نشان دهنده هر یک از کاربری ها هستند.در این پژوهش تمام کاربری ها قرار گرفتند.این کار برای افزایش دقت طبقه بندی انجام گرفت.در نمودارهای حاصل هر چه خطوط از هم فاصله بیشتری داشتند قابلیت شبیه سازی آنها بیشتر بود.
4-1-11-طبقه بندی داده های ماهواره ای
پس از تهیه نشان های طیفی برای تمام کلاس های پوشش زمین و انجام ازمون جدایی پذیری و انتخاب باندهای مناسب طبقه بندی بر اساس نشان های طیفی انجام شد.روشهای طبقهبندی از پرکاربردترین روشهای استخراج اطلاعات از تصاویر ماهوارهای هستند. تنوعی که روشهای طبقهبندی دارند، به کاربران امکان تولید اطلاعات گوناگون را میدهد(فاطمی و رضایی، 1391).
طبقه بندی تصاویر ماهواره ای به عنوان مهمترین بخش تفسیر اطلاعات ماهواره ای به شمار می رود.تفسیر تصاویر به معنای تبدیل داده های خام به اطلاعات قابل استفاده است و شامل تشخیص،شناسایی و طبقه بندی پدیده های سطح زمین می شود.یکی از روش های استخراج اطلاعات از تصاویر ماهواره ای استفاده از روش تجزیه و تحلیل و طبقه بندی رقومی است.طبقه بندی رقومی بر پایه اختلاف های طیفی پدیده های گوناگون بر روی باندهای مختلف طیفی استوار است اما بدین معنی نیست که هر پدیده ای بر روی هر باند خاصی قابل تفکیک است(علوی پناه،1382).می توان گفت که گروه بندی تعداد زیادی پیکسل های منفرد به طبقات و یا رده های موضوعی کوچک که بیشتر قابل مدیریت هستند را طبقه بندی رقومی تصاویر می گویند(مالمیریان،1383).برای طبقه بندی پدیده ها و عوارض مختلف زمینی از طریق بهره برداری از داده های ماهواره ای چندین روش متداول است که از روش های معمول می توان به روش های طبقه بندی نظارت نشده و طبقه بندی نظارت شده اشاره کرد که در این پژوهش از هر دو روش استفاده شده است.
4-1-11-1-طبقه بندی نظارت نشده
این نوع طبقه بندی بر پایه نمونه های تعلیمی استوار نمی باشند.این طبقه بندی فقط بر اساس تشابه طیفی پیکسل ها صورت می گیرد،لذا طبقات حاصله،طبقات موضوعی نبوده بلکه طیفی هستند.نقشه طبقات طیفی حاصله باید به روش میدانی و با استفاده از اطلاعات جنبی گویا شود و طبقات موضوعی مربوط به آنها تعیین گردد.می توان از این طبقه بندی به عنوان یک پیش طبقه بندی برای طبقه بندی نظارت شده و کسب تجربه در خصوص تفکیک پذیری پدیده ها در منطقه استفاده نمود.به طور خلاصه می توان گفت که در طبقه بندی نظارت نشده،گروه بندی طیفی،به صورت خودکار و بر اساس اختلاف ریاضی ارزش های طیفی محاسبه می گردند(تصویری،1377).در این پژوهش برای تعیین طبقات کلی از روش طبقه بندی نظارت نشده استفاده شده است. در روش طبقه بندی به روش نظارت نشده الگوریتم cluster به کار گرفته شد.نرم افزار با توجه به خصوصیات طیفی پدیده ها آنها را در کلاس های قرار می دهد. این روش به ویژه برای تفکیک اراضی تخریب شده روش مناسبی به نظر می رسد.
4-1-11-2-طبقه بندی نظارت شده
در این طبقه بندی توزیع ارزش بازتابی در هر نمونه تعلیمی توسط یک تابع تراکم (بر اساس آمار بیس) احتمال نشان داده می شود.این طبقه بندی احتمال اینکه هر سلول متعلق به یک کاربری باشد را بررسی کرده و سلول را به کاربری با بالاترین احتمال عضویت اختصاص می دهد.پس از انجام طبقه بندی نظارت نشده و آگاهی از پدیده های مختلف بر اساس دسته بندی DN های ثبت شده در تصاویر،طبقه بندی نظارت شده بر داده اعمال می شود.روش طبقه بندی نظارت شده بر پایه معرفی دقیق طبقات و پدیده های مد نظر کاربر است.بدین مفهمو که مجموعه کوچکی از پیکسل ها به عنوان نمونه هایی از طبقات مورد نظر بر روی تصویر تعیین می گردند.این نمونه ها باید به بهترین شکل ممکن معرف طبقات باشند.در فرایند طبقه بندی نظارت شده چهار مرحله تعیین طبقات،تعیین نمونه های تعلیمی و اصلاح آنها،طبقه بندی و تهیه خروجی را می توان تشخیص داد.در مرحله اول وجود تعریف دقیق طبقات بسیار حائز اهمیت است.هر چند که استفاده از داده های سنجنده های چند طیفی می تواند در استخراج هر چه بهتر اطلاعات مورد نظر،کمک بسیار موثری نماید،اما انتخاب مجموعه مناسبی از باندها برای طبقه بندی نیاز به دانش و شناخت کافی از مشخصات طیفی دارد(مخدوم،1383).نتیجه نهایی طبقه بندی،تصویر یک باندی است که در ان طبقات نمونه گیری شده،کاملا مجزا شده و هر طبقه یا کلاس دارای کد خاصی می باشد و چنانچه گروهی از پیکسل ها به هیچ یک از طبقات اختصاص نیافته باشند به شکل طبقه ای مجزا و یا نا شناخته معرفی می شوند(تصویری،1377).اصولا در روش طبقه بندی نظارت شده از سه الگوریتم استفاده می گردد:
الگوریتم حداقل فاصله تا میانگین
الگوریتم شبکه های موازی
الگوریتم حداکثر احتمال (Maximum Likehood)
در بین روش های موجود برای طبقه بندی نظارت شده الگوریتم حداکثر احتمال از دقت بیشتری نسبت به سایر الگوریتم ها برخوردار است.در این پژوهش با استفاده از الگوریتم حداکثر احتمال طبقه بندی نظارت شده انجام شد.سپس به منظور ساده سازی مقادیر منتج از طبقه بندی و حذف قسمت های کوچک از فیلتر mode (3*3) استفده شد(ناهولوال و همکاران،2002).در این روش میزان کمی واریانس و همبستگی ارزش های طیفی باندهای مختلف،برای مناطق نمونه محاسبه می شود(تصویری،1379.این طبقه بندی کننده با استفاده از حداقل و حداکثر ارزش یازتابی نمونه های تعلیمی،مستطیل هایی ایجاد می کند اگر یک سلول در درون این کادر مربوط به نشان طیفی قرار بگیرد به آن کاربری اختصاص می یابد.در این الگوریتم فرض می شود که همه مناطق آموزشی از پراکنش نرمال برخوردارند.در حقیقت نمونه های تعلیمی باید معرف آن طبقه باشند،بنابراین تا حد امکان باید از تعداد نمونه های بیشتری استفاده شود تا تغییرات بسیاری از ویژگی های طیفی در این گستره پیوسته قرار بگیرد(علوی پناه،1382).از همین خاصیت برای ارتباط یک پیکسل طبقه بندی نشده به یکی از گروه ها یا نمونه های طیفی نیز استفاده می شود(تصویری،1377).
روش طبقه بندی به صورت حداکثر احتمال طی 3 مرحله زیر انجام می گیرد:
1-محاسبه بردار میانگین،واریانس و همبستگی برای کلاس ها در نمونه های تعلیمی
2-لحاظ کردن پراکندگی پیکسل های اطراف بردار میانگین از طریق تابع احتمالات
3-معرفی کل داده ها به طبقاتی که حداکثر احتمال عضویت در ان طبقه را داشته باشد.بعد از ارزیابی احتمالات در هر طبقه،پیکسل ها به طبقاتی که بیشترین شباهت را دارند،اختصاص می یابند و اگر مقادیر احتمال پایین تر از حد آستانه معرفی شده باشند،به عنوان پیکسل طبقه بندی نشده معرفی می شوند(علوی پناه،1382).
4-1-12-مدل زنجیره مارکف
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.