ارزیابی عملکرد تبدیل آنالیز مولفه های اصلی، مستقل و کسر حداقل نویز در بهبود صحت استخراج اطلاعات از داده های ماهواره سنتینل-۲

پیشینه و هدف استفاده از انواع تبدیلات جهت بهبود صحت استخراج اطلاعات از تصاویر ماهواره ای به طور فزاینده ای رو به افزایش است. در این بین انتخاب تبدیل بهینه اهمیت بالایی داشته و نتایج خروجی را تحت تاثیر قرار خواهد داد. با توجه به ماهیت همبسته تصاویر سنجش از دور، استفاده از انواع تبدیلات جهت بهبود صحت استخراج اطلاعات از این تصاویر امری ضروری است. با توجه به مطالعات انجام شده هدف این تحقیق بررسی روش ­های مختلف تبدیلات تصویر در بهبود روند طبقه ­بندی تصاویر ماهواره ­ای و افزایش میزان صحت نقشه­ های کاربری اراضی است. با در نظر گرفتن این نکته که منطقه مورد مطالعه و به صورت کلی مناطق شمالی کشور با شرایط خاص درهم تنیدگی کاربری ­ها روبه رو هستند، لذا به­ کارگیری انواع روش­ های تبدیلات و همچنین روش ترکیبی پیشنهادی در این پژوهش باعث افزایش صحت و دقت اطلاعات خروجی و در نهایت امکان تفکیک و بررسی­ های دقیق­تر کاربری­ ها و شناسایی عوامل تغییر آن­ ها را جهت برنامه­ریزی ­های آینده فراهم می­کند. در این پژوهش به منظور ارزیابی عملکرد تبدیلات آنالیز مولفه های اصلی، آنالیز مولفه های مستقل و کسر حداقل نویز از تصویر ماهواره سنتینل-۲ شهرستان رضوانشهر استفاده گردید. مواد و روش­ هادر این پژوهش به منظور ارزیابی عملکرد روش ­های آنالیز مولفه های اصلی، آنالیز مولفه های مستقل و روش کسر حداقل نویز از تصاویر ماهواره سنتینل-۲ شهرستان رضوانشهر استفاده گردید. از الگوریتم گرام اشمیت (Gram-Schmit) به منظور ادغام این داده ها با یکدیگر و رسیدن به قدرت تفکیک ۱۰ متر استفاده شد. بعد از اعمال پیش پردازش های لازم و ادغام تصاویر با یکدیگر هر سه تبدیل روی تصویر اعمال و همچنین ترکیبی از مولفه های این سه روش تولید گردید. در ادامه نتایج حاصل از تبدیلات با استفاده از الگوریتم حداکثر احتمال در ۸ کلاس کاربری طبقه بندی گردید. با استفاده از ضریب شفیلد و محاسبات آماری بین مولفه های به دست آمده، ترکیب مولفه های اول آنالیز مولفه های اصلی، اول کسر حداقل نویز و مولفه دوم آنالیز مولفه های مستقل، به عنوان ترکیب بهینه انتخاب گردید. شناخت کلی از منطقه و مطابق آن تفسیر بصری خروجی ­ها و همچنین برداشت ۱۲۰ نقطه زمینی توسط GPS مبنای ارزیابی صحت نقشه های خروجی بوده است. نتایج و بحث بعد از اعمال پیش پردازش های مورد نیاز و ادغام تصاویر با یکدیگر، هرکدام از این الگوریتم ­ها بر روی تصویر اعمال گردید و خروجی هر کدام با استفاده از الگوریتم حداکثر احتمال و در ۸ کلاس کاربری طبقه بندی گردیدند. نتایج نقشه­ های خروجی نشان داد که تبدیل آنالیز مولفه های اصلی با توجه به اینکه برای متغیرها توزیع گوسی در نظر می گیرد و سعی بر غیر همبسته کردن مولفه های استخراج شده دارد، در نمونه هایی با توزیع غیر گوسی دارای ضعف بوده و عملکرد پایینی از خود نشان می دهد. الگوریتم کسر حداقل نویز مشابه الگوریتم آنالیز مولفه های اصلی عمل می­ کند با این تفاوت که نویزها را بهتر مولفه ­بندی می­کند. این الگوریتم در جداسازی کلاس ­ها خطای کمتری داشته و همین عامل باعث عملکرد بهتر و دقت بالاتر نسبت به دو تبدیل دیگر شده است. در الگوریتم آنالیز مولفه های مستقل باندهای همبسته تصویر منطقه مورد مطالعه به مولفه های مستقل تبدیل شده و اطلاعات جدیدی از منطقه استخراج کرده است. تفسیر بصری دقت بالای نتیجه طبقه ­بندی را نشان می­دهد و برای کمی کردن دقت تصویر طبقه بندی شده از ماتریس خطا (کانفیوژن) استفاده شده است. نتایج حاصل از ارزیابی دقت کلی و ضریب کاپا نشان داد که طبقه بندی تصویر اصلی بدون اعمال تبدیلات و با همان نمونه های تعلیمی خروجی با دقت کلی ۷۶ درصد و ضریب کاپای ۰.۷۸ بیشترین خطا را داشته است. همچنین نتایج سایر خروجی­ ها به ترتیب برای طبقه ­بندی حاصل از تبدیل آنالیز مولفه های اصلی، دقت کلی ۸۰ درصد و ضریب کاپا ۰.۸۳، برای طبقه­بندی حاصل از تبدیل کسر حداقل نویز، دقت کلی ۸۵ درصد و ضریب کاپا ۰.۸۸ و برای طبقه­بندی حاصل از تبدیل آنالیز مولفه های مستقل، دقت کلی برابر با ۷۷ درصد و ضریب کاپا معادل ۰.۸۰ به دست آمد. بعد از انتخاب ترکیب بهینه از مولفه های روش ­های آنالیز مولفه های اصلی، آنالیز مولفه های مستقل و روش کسر حداقل نویز و انتخاب مولفه های اول الگوریتم­ های آنالیز مولفه های اصلی و کسر حداقل نویز و مولفه دوم آنالیز مولفه های مستقل، دقت کلی به ۹۲ درصد و ضریب کاپا ۰.۹۴ افزایش یافت. نتیجه­ گیری در این تحقیق بعد از ارزیابی عملکرد تبدیل آنالیز مولفه های اصلی، آنالیز مولفه های مستقل و روش کسر حداقل نویز، یک روش ترکیب بهینه از مولفه های این تبدیلات پیشنهاد گردید. نتایج تحقیق نشان داد طبقه بندی تصویر اصلی بدون اعمال تبدیلات و با همان نمونه های تعلیمی دقت کلی و ضریب کاپای پایینی داشته است. بنابراین لزوم اعمال تبدیلات جهت کاهش همبستگی باندها و مجزا سازی اجزای تصاویر احساس می شود. همان طور که نتایج تحقیق نشان داد طبقه بندی تصویر اصلی بدون اعمال تبدیلات و با همان نمونه های تعلیمی دقت کلی و ضریب کاپای پایینی داشته است. نتایج تحقیق بیانگر عملکرد نزدیک این روش ­ها به یکدیگر است که نشان از وجود هر دو نوع توزیع گوسی و غیر گوسی متغیرها دارد. تبدیل کسر حداقل نویز، میزان نویز داده ها را به حداقل رسانده و در خروجی نتایج بهتری از دو تبدیل آنالیز مولفه های مستقل و آنالیز مولفه های اصلی داشته است. با توجه به اینکه این تبدیلات به تنهایی قادر به استخراج تمامی اجزای تصویر نیستند، لذا ترکیبی از مولفه های این تبدیلات بر اساس ضریب شفیلد جهت مفروض بودن توزیع گوسی و غیر گوسی متغیرها با حداقل نویز ممکن انتخاب گردید.

Keywords:

سنتینل-۲ , ضریب شفیلد , تبدیلات , حداکثر احتمال , رضوانشهر