قطعهبندی و طبقه بندی با استفاده از نقشه های خود سامانده با تکیه بر کتابخانه های طیفی مواد معدنی

امروزه سنجش از دور در محدوده طیفی مادون قرمز با هدف شناسایی کانی ها و مواد معدنی و توزیع آنها روی سطوح زمینی و نجومی یک فعالیت مداوم و رو به پیشرفت محسوب می شود. حجم وسیعی از داده های طیفی که در حال حاضر موجود و قابل دستیابی هستند و یا در ماموریت های فضایی آینده اخذ خواهند شد نشان از چالشی بزرگ برای دانشمندان و محققان دارد تا بتوانند از این داده ها اطلاعاتی مفید و کاربردی استخراج نمایند. نیاز به روش های اتوماتیک برای تسهیل در این فرایند به وضوح احساس می شود. تفکیک و سازمان دادن این داده ها در قطعه های معنی دار، یک مرحله حیاتی از آنالیز داده های سنجش از دور به حساب می رود که می توان آن را تکنیک خوشهبندی یا قطعه بندی نامید. در این مقاله یک طرح طبقه بندی و قطعه بندی اتوماتیک بر مبنای نقشه های خود سامانده SOM ارائه شده است SOM یک نوع از شبکه های عصبی غیر نظارت شده است که تابحال در موارد بسیاری از آنها به منظور قطعه بندی داده های سنجش از دور و شناسایی آنومالی ها استفاده شده است. شکل بسط یافته ای از شاخص اعتبارسنجی،Davies-Bouldin جهت تعیین تعداد بهینه قطعه ها به صورت خودکار مورد استفاده قرار گرفته است. این طرح با کتابخانه های طیفی کانی ها و مواد معدنی که در دانشگاه آریزوناASU) و جان هاپکینز JHU) تهیه شده و نمونه هایشان به شکل درختی با نامهای کلاس، زیر کلاس، و گروه برچسب گذاری شده بودند، آموزش داده شده و تست شد. این برچسب ها برای سنجش میزان خلوص طیفی قطعه های بدست آمده و دقت طبقه بندی بکار رفته اند جزئیات روش SOM روند تست ها، و سنجش کارآمدی روش پیشنهادی، به تفصیل توضیح داده شده است. نتایج آزمایشات و تست ها نشان می دهد که روش SOM می تواند عنصر مهمی در سیستم های خودکار طراحی شده برای شناسایی و پی جویی کانی ها از داده های بازتابی سطح زمین در محدوده طیفی مادون قرمز باشد

Keywords:

نقشههای خودساماندهSOM , شبکه عصبی , کتابخانه طیفی , مواد معدنی , شاخص DB