طبقه بندی درختی تصاویر ماهواره ای در سنجش از دور

448 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

طبقه بندی درختی تصاویر ماهواره ای روش طبقه بندی درختی به عنوان یکی از روش های شناخته شده در زمینه شبکه های عصبی مصتوعی است که از کاربرد بسیار زیادی در زمیه طبقه بندی تصاویر ماهواره ای برخوردار است. طبقه­ بندی درختی به عنوان بهترین نمونه از سیستم های خبره است. در این ساختار طبقه بندی که بسیار کنترل شده…

طبقه بندی درختی تصاویر ماهواره ای

روش طبقه بندی درختی به عنوان یکی از روش های شناخته شده در زمینه شبکه های عصبی مصتوعی است که از کاربرد بسیار زیادی در زمیه طبقه بندی تصاویر ماهواره ای برخوردار است. طبقه­ بندی درختی به عنوان بهترین نمونه از سیستم های خبره است. در این ساختار طبقه بندی که بسیار کنترل شده نیز هست از شروط و قوانین مختلف برای طبقه بندی استفاده میشود. بصورت کلی ساختار درختی این الگوریتم از سه بخش برخوردار است : فرضیات، شروط و قوانین. به عبارت دیگر در این روش طبقه ­بندی ابتدا یک فرض مطرح شده و سپس شروطی برای اجرای قوانین آن در یک ساختار سلسله مراتبی تنظیم میشود. ساختار سلسله مراتبی بکاربرده شده در این فرایند طبقه­ بندی به منظور ایجاد درک جامع از آبجکت ها و ارتباط آنها با یکدیگر در مقیاس های مختلف است.

طبقه بندی درختی یک آبجکت را به عنوان یک ورودی میگیرد  و سپس آن را با استفاده از مجموعه ای از توصیفات و ویژگی­ ها تشریح نموده و یک تصمیم را بر اساس آن بر میگرداند. مقدار خروجی بدست آمده میتواند بصورت گسسته و یا پیوسته باشد. در بسیاری از فرایندهای طبقه بندی درختی از پوشش های گیاهی و شاخص های مرتبط با آن برای افزایش دقت نتایج استفاده میشود. ساختار سلسله مراتی روش طبقه بندی درختی را میتوان در شکل زیر مشاهده نمود.

1

برای درک هرچه بهتر روش طبقه بندی درختی به این مثال توجه نمایید:

فرض : انتخاب یک موقعیت بهینه برای ساخت خانه ها به گونه ای که این خانه ها بتوانند از بیشترین میزان انرژی خورشیدی استفاده نمایند.

تعریف قوانین: در این مرحله کاربر باید نسبت به تعریف و مشخص کردن فاکتورهایی که میتواند در دریافت میزان انرژی خورشیدی برای هریک از مکان ها موثر باشد نماید. در همین راستا فاکتورهایی چون توپوگرافی، شیب، جهت شیب، و سایه ها با توجه به زاویه تابش خورشید در زمان های مختلف از جمله مهم ترین فاکتورهای اثر گذار در این زمینه هستند که توسط کاربر تعیین میشوند. در این مرحله یک متخصص سنجش از دور باید این توانایی را داشته باشد تا بتواند به صورت موثری نسبت به تعیین فاکتورهای موثر در این زمینه اقدام نماید.

تعیین شروط: در این مرحله حال برای هریک از قوانین تعیین شده در مرحله قبل شروط تنظیم میشوند. تعیین شروط با استفاده از متغیرها و همچنین عملگرهای منطقی امکان پذیر است. در همین راستا به مثال های زیر توجه نمایید:

  • Slope > 0, AND
  • Slope < 10, AND
  • Aspect > 135 , AND
  • Aspect < 220, AND

لازم بذکر است که دراین فاکتورها مناطقی که در شیب بین 1 تا 9 درجه  و  جهت شیب 136 تا 219 درجه هستند مورد توجه قرار گرفته اند. این دسته از مناطق از بیشترین میزان دریافت انرژی خورشیدی در نیم کره شمالی سیاره زمین برخوردار خواهند بود.

1

مزیت های روش طبقه بندی درختی عبارت اند از:

  • الگوریتم های مبتنی بر یادگیری ماشین میتوانند برای طبقه بندی های مبتنی بر سیستم های خبره و تعریف قوانین و شروط حتی در برخی موارد بدون دخالت کاربر مورد استفاده قرار بگیرد. سیستم های خبره و الگوریتم های یادگیری ماشین به عنوان پیشرفت علمی بزرگی در نظر گرفته میشوند به دلیل آنکه میتوانند به خوبی با داده های جدید نیز همخوانی پیدا کنند.
  • خروجی های بدست آمده از سیستم های خبره میتواند مورد ارزیابی قرار بگیرد. به همین منظور میتوان با ارزیابی ساختار درختی مشاهده کرد که خروجی از چه ساختار سلسله مراتبی تولید شده است. این امر به عنوان یکی از مهمترین ویژگی­هایی است که این روش طبقه بندی را از روش طبقه بندی مبتنی بر شبکه های عصبی مصنوعی جدا میکند.
  • تا پیش از ارائه این روش، الگوریتم طبقه بندی بیشترین شباهت (Maximum Likelihood)به عنوان بهترین روش و پذیرفته ترین آنها برای طبقه بندی تصاویر ماهواره ای موردتوجه قرار میگرفت. با این حال الگوریتم های طبقه بندی غیر پارامتریک چون روش درختی که در آنها توزیع نرمال بودن داده ها در آن مورد توجه قرار نگرفته است ، جایگاه ویژه ای در مقایسه با روش طبقه­بندی بیشترین شباهت پیدا کردند.
  • طبقه بندی درختی نشان دهنده رابطه غیر خطی و سلسله مراتبی بین متغیرهای ورودی برای فرایند طبقه بندی و تعیین عضویت های هریک از کلاس هاست.
  • مطالعات و تحقیقات نشان داده است که روش طبقه بندی درختی در زمان استفاده از داده های چندبعدی که دارای ماهیت های مختلفی هستند از ویژگی­ مهم و برجسته ای برخوردار است.

نوشته های مرتبط :

9 دیدگاه. ارسال دیدگاه جدید

  • روش کاربردی انجام این الگوریتم در نرم افزار ecognition آموزش داده شده است؟

    پاسخ
  • Qais Ahmad Aria
    1398-12-12 6:38 ب.ظ

    با سلام و احترام
    وقت بخیر
    آیا امکان دارد مراجع علمی (کتاب و یا مقاله) که روش طبقه بندی درختی را برای ترکیب نتایج روش های طبقه بندی توضیح داده باشد لینک دانلود و یا از طریق ایمیل برایم بفرستید.

    خیلی متشکرم
    موفق و سربلند بمانید.

    پاسخ
    • Qais Ahmad Aria
      1398-12-13 8:22 ب.ظ

      با سلام مجدد
      خیلی ممنونم بابت سایت خوب تان.
      به ارتباط روش طبقه بندی درختی بعضی منابع علمی را دریافت نمودم.
      در صورتیکه خواسته باشید به شما هم فرستاده میتوانم.
      موفق و سلامت باشید.

      پاسخ
      • شهرزاد
        1399-04-14 10:32 ب.ظ

        سلام وقت بخیر… لطف میکنید در اختیار بنده بذارید…ممنون میشم

        پاسخ
    • با سلام و احترام

      متاسفانه در حال حاضر مرجعی در دسترس نداریم. با عرض پوزش از خدمت شما.

      موفق باشید

      پاسخ
  • سلام وقت بخیر، در روش درخت تصمیم گیری استفاده از دستور and باعث میشود دو کلاس باهم تلفیق شوند یا فقط اشتراکات بین دو کلاس را جدا میکند؟

    پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up