حمید افضلی - دانش آموخته کارشناسی ارشد رشته سنجش از دور Gis، دانشگاه خوارزمی تهران
علی اصغر تراهی - استادیار گروه ژیوانفرماتیک، دانشگاه خوارزمی تهران

مجموعه داده های فراطیفی تصاویری با صدها باند طیفی فراهم می کنند که نسبت به سایر داده های سنجش از دوری مانندتصاویر پانکروماتیک و تصاویر چندطیفی، حاوی اطلاعات بیشتری هستند. اگر چه تصاویر فراطیفی درای اطلاعات زیادیهستند اما پردازش این تصاویر به دلیل ابعاد زیاد و افزونگی داده ها امری زمانبر است. پردازش این حجم زیاد از داده با ابعادزیاد ملزوم صرف وقت و هزینه زیادی خواهد بود لذا کاهش ابعاد داده بدون از دست دادن اطلاعات مهم داده ها، از اهمیتویژه ای برخوردار است. هدف از این مطاله بهبود صحت طبقه بندی مجموعه داده فراطیفی سنجنده های Hyperion به روش ماشین بردار پشتیبان با به کارگیری الگوریتم های کاهش ابعاد داده است. بعد از اعمال تصحیحات رادیومتریک داده ها مانندحذف خطوط جا افتاده تصویر و باندهای نامطلوب، تصحیحات اتمسفری به روش FLAASH انجام شد. سپس استخراج گردید و در ادامه جهت طبقه بندی طیفی این داده ها از الگوریتم طبقه بندی ماشین بردار پشتیبان استفاده شد بعد اعمال الگوریتم های MNF, PCA و ICA جهت کاهش ابعاد داده ها واستخراج عضو نهایی داده ها از روی باند PPI، از الگوریتم SVM جهت طبقه بندی استفاده شد. روش SVM یکی از تکنیک های طبقه بندی نظارت شده تصاویر سنجش ازدوری است که برمبنای تیوری یادگیری آماری است و به دلیل نیازمندی به نمونه های آموزشی محدود و طبقه بندی با دقت بالا نسبت به رو شهای سنتی، به طور گسترده ای در سنجش ازدور بکار گرفته می شود.نتایج نشان داده است که به کارگیری روشهای کاهش ابعاد داده در مقایسه با استفاده از کل باندها در طبقه بندی می تواندصحت کلی را افزایش دهد. بهترین نتایج به دست آمده برای این مجموعه داده، مربوط به اعمال الگوریتم MNF بوده است که صحت کلی را به میزان 10/39 درصد بهبود بخشیده است.

طبقه بندی، داده های فراطیفی، ماشین بردار پشتیبان، کاهش ابعاد داده، سنجنده Hyperion