مقاله درمورد نظریه مجموعه ها و نظریه مجموعه

1.99 2 2 1.88 2 1.85 1.88 2 2 1.98 0 1.98 2 کشاورزی 3
1.99 1.88 2 2 2 2 1.99 1.99 1.98 0 2 2 2 کشاورزی 4
1.98 2 1.99 1.99 1.99 1.98 1.99 2 0 1.99 1.98 2 1.95 شهر 1
2 1.98 1.98 2 2 2 1.99 0 2 2 2 1.99 1.98 شهر 2
2 1.99 2 2 2 1.88 0 2 1.98 2 1.99 1.99 2 شهر 3
2 1.99 2 1.99 1.99 0 1.88 1.88 2 2 1.88 1.88 2 باغ شهر
2 2 1.99 1.98 0 1.80 1.95 2 2 1.99 1.99 2 1.99 باغ
1.99 1.99 2 0 1.99 1.99 2 2 1.99 2 2 2 1.97 مرتع 1
1.99 1.99 0 2 2 1.97 1.99 1.88 1.99 1.88 2 1.99 1.99 مرتع 2
2 0 2 1.89 2 2 2 1.99 1.80 2 1.99 1.99 2 مرتع 3
0 2 1.99 2 1.99 1.89 1.88 2 2 2 1.88 2 2 جاده
بر اساس جداول حاصل،پارامترها از 0 تا 2000 متغیر است.عدد صفر نشان دهنده تداخل شدید محدوده های آموزشی،2000 نشان دهنده جدایش کامل بین کلاس ها و اعداد 1000 تا 1900 نشان دهنده این است که در بعضی از قسمت ها کلاس ها به نسبت بهتری از هم جدا شده و در برخی موارد تداخل طیفی دارند.
5-4-طبقه بندی نظارت نشده
طبقه بندی نظارت نشده به روش Cluster برای تعیین طبقات کلی تصویر سال های 2009،2011 و 2013 انجام گرفت. اشکال (32) تا (34) طبقه بندی نظارت نشده با استفاده از روش Cluster را نشان میدهد.این طبقه بندی بر پایه نمونه های تعلیمی استوار نیست و طبقه بندی فقط بر اساس تشابه طیفی صورت گرفته است و گروه بندی طیفی به صورت خودکار و بر اساس اختلاف ریاضی ارزش های طیفی محاسبه شده است و در این مطالعه برای تعیین تعداد طبقات کلی استفاده شد.

شکل(33):تصویر طبقه بندی نظارت نشده سال 2009

شکل(34):تصویر طبقه بندی نظارت نشده سال 2011

شکل(35):تصویر طبقه بندی نظارت نشده سال 2013
5-5-طبقه بندی نظارت شده
طبقه بندی نظارت شده به روش MAX LIKEHOOD برای تصاویر سال های 2009،2011 و 2013 انجام گرفت. 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 ها اعمال می شود.قدم اول در این نوع طبقه بندی تعیین نمونه های تعلیمی است که در این پژوهش تعیین تعداد طبقات با استفاده از بازدید میدانی و گوگل ارث جهت افزایش دقت در تهیه نمونه های تعلیمی انجام شد و در نهایت نمونه های تعلیمی به گونه ای انتخاب شدند که همه مناطق آموزشی از پراکنش نرمال برخوردار باشند و معرف ان طبقه باشند.اشکال (35) تا (37) طبقه بندی نظارت شده با استفاده از روش MAX LIKEHOOD را نشان می دهد.در این اشکال هر کلاس با زیر کلاس های آن طبقه بندی شده است.اما برای انجام فرایند زنجیره مارکف باید تعداد کلاس ها در هر سه تصویر با یکدیگر برابر باشد به همین منظور هر تصویر به طبقات کلی تبدیل شد.اشکال (38) تا (40) طبقه بندی نظارت شده با طبقات کلی را نشان می دهد.در این نوع طبقه بندی نقاط تعلیمی و نتایج رده بندی بر مبنای روش یک پیکسل یک رده هستند.در حقیقت یک پیکسل فقط به یک رده می تواند تعلق داشته باشد،رده مخلوط نمی تواند به عنوان نقاط تعلیمی با یک طبقه فرض شود و میزان عضویت دو در پیکسل ها مشخص نیست.در حقیقت در این نوع طبقه بندی مرزهای مناطق اموزشی به صورت ناگهانی تغییر می کند و به صورت تدریجی نیست.این محدودیت اشکار در این روش باعث کاهش ارزش رده بندی سطوح و استخراج اطلاعات ضعیفی می شود و ممکن است اطلاعات با ارزشی از بین برود و طبقه بندی به خوبی صورت نگیرد.این مشکل بیشتر به خاطر مفهوم عضویت در نظریه مجموعه های کلاسیک است که بر اساس آن یک مجموعه مرزهایی دارد و هر عضو می تواند به طور کامل عضو این مجموعه باشد یا نباشد بنابراین می تواند بعضی از پیکسل ها به صورت خطا به طبقه دیگر اختصاص یابد.

این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.