ارزیابی و بهبود عملکرد الگوریتم شبیه‏سازی تبرید به منظور تهیۀ نقشۀ پوشش اراضی در سطح زیرپیکسل با استفاده از تصاویر چندطیفی

میلاد نیرومند جدیدی, مهدی مختارزاده, محمودرضا صاحبی

چکیده


یکی از چالش‏های بسیار مهم در تهیۀ نقشۀ پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل‏های مخلوط است. با توسعۀ روش‏های تجزیۀ اختلاط طیفی و طبقه‏بندی‌کننده‏های نرم، امکان برآورد سهم کلاس‏ها در سطح زیرپیکسل فراهم می‌آید و برچسب‏های چندگانه به پیکسل‏ها اختصاص داده می‏شود. با وجود این، تولید نقشۀ پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل‏ها است. در سال‏های اخیر، روش‏های تهیۀ نقشه در سطح زیرپیکسل توسعه یافته‏اند و با استفاده از نتایج طبقه‏بندی‌کننده‏های نرم و بهره‏گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل‏ها را بهینه‏سازی می‏کنند.‏ در این تحقیق، دقت کلی الگوریتم شبیه‏سازی تبرید برای تهیۀ نقشۀ پوششی در سطح زیرپیکسل مورد ارزیابی قرار گرفته و همچنین، مکانیزم جدیدی در این روش، برای تولید پاسخ‏های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. از دیگرسو، پارامترهای مؤثر بر عملکرد الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک‏سازی و تکرارهای ایستا و پویا در عملکرد الگوریتم بررسی شده‌اند. در فرایند ارزیابی دقت کلی الگوریتم، دو روش مستقل از خطای طبقه‏بندی نرم و وابسته به این خطا لحاظ شده است. براساس نتایج، افزایش ضریب بزرگنمایی موجب کاهش دقت الگوریتم شبیه‏سازی تبرید شده و همچنین، تابع خنک‏سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به‌منزلۀ تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز، در مقایسه با حالت ایستا دقت بیشتری داشته است. روش پیشنهادی برای تولید پاسخ‏های جدید در الگوریتم شبیه‏سازی تبرید دستاورد مهم تحقیق به شمار می‌آید که دقت کلی را به نسبت روش موجود، افزایش داده و همچنین، زمان اجرای الگوریتم را تا 50% کاهش داده است. بیشترین دقت کلی الگوریتم براساس روش پیشنهادی و مستقل از خطای طبقه‏بندی نرم 97/94% برآورد شد.

واژگان کلیدی


پوشش اراضی، زیرپیکسل، طبقه‏بندی نرم، الگوریتم شبیه‏سازی تبرید، تابع خنک‏سازی، ضریب بزرگنمایی

تمام متن:

PDF

منابع و مآخذ مقاله


Atkinson, P.M., 1997, Mapping Sub-Pixel Boundaries from Remotely Sensed Imagesو In: Z. Kemp (Ed.), Innovations in GIS 4, 166–180.

Atkinson, P.M., 2009, Issues of Uncertainty in Super-Resolution Mapping and Their Implications for the Design of an Inter-Comparison Study, International Journal of Remote Sensing, 30, (20), 5293-5308.

Atkinson, P.M., 2005, Super-Resolution Target Mapping from Soft Classified Remotely Sensed Imagery, Photogrammetric Engineering and Remote Sensing, 71, (7), 839-846.

Brown de Colstoun, E.C., Story, M.H., Thompson, C., Commisso, K., Smith, T.G. & Irons, J.R., 2003, National Park Vegetation Mapping Uusing Multitemporal Landsat 7 Data and a Decision Tree Classifier, Remote Sensing of Environment, 85:316–327.

Cerny, V., 1985, A Thermodynamical Approach to the Traveling Salesman Problem: an Efficient Simulation Algorithm, Journal of Optimization Theory and Applications, 45:41–51.

Cracknell, A.P., 1998. Synergy in Remote Sensing - What’s in a Pixel?, International Journal of Remote Sensing, 19 (11), 2025– 2047.

Dekkers A. & Aarts, E., 1991. Global Optimization and Simulated Annealing, Mathematical Programming, 50:367–393.

Fisher, P., 1997, The Pixel: A Snare and a Delusion, International Journal of Remote Sensing, 18, pp. 679–685.

Foody, G.M., 1996, Approaches for the Production and Evaluation of Fuzzy Land Cover Classifications from Remotely Sensed Data, International Journal of Remote Sensing, 17, 1317-1340.

Foody, G.M. & Cox, D.P., 1994. Sub-Pixel Land Cover Composition Estimation Using a Linear Mixture Model and Fuzzy Membership Functions, International Journal of Remote Sensing 15: pp. 619-631.

Friedl, M.A., McIver, D.K., Hodges, J.C.F., Zhang, X.Y., Muchoney, D. & Strahler, A.H., 2002, Global Land Cover Mapping from MODIS: Algorithms and Early Results, Remote Sensing of Environment, 83,287−302.

Garcia-Haro, F.J., Gilabert, M.A. & Meliá, J., 1996, Linear Spectral Mixture Modeling To Estimate Vegetation Amount from Optical Spectral Data, International Journal of Remote Sensing, 17: pp. 3373-3400.

Geman, S. & Geman, D., 1984, Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6:721–741.

González-Audícana, M., Saleta, J.L., García Catalán, R. & García, R., 2004, Fusion of Multispectral and Panchromatic Images Using Improved IHS and PCA Mergers Based on Wavelet Decomposition, IEEE Transactions On Geoscience And Remote Sensing, 42 (6), 1291- 1299.

Ingber, L., 1996, Adaptive Simulated Annealing, Control and Cybernetics, 25(1):33–54.

Kanellopoulos, I., Varfis, A., Wilkinson, G.G. & Megier, J., 1992. Land Cover Discrimination in SPOT HRV Imagery Using an Artificial Neural Network: A 20 Class Experiment, International Journal of Remote Sensing, 13 (5), 917–924.

Kasetkasem, T., Arora, M. K. & Varshney, P. K., 2005, Super-Resolution Land Cover Mapping Using a Markov Random Field Based Approach, Remote Sensing of Environment, 96(3-4), 302-314.

Kirkpatrick, S., Gelatt, C.D. & Vecchi, M.P., 1983, Optimization by Simulated Annealing, Science, 220(4598):671–680.

Locatelli, M., 2000, Simulated Annealing Algorithms for Continuous Global Optimization: Convergence Conditions, Journal of Optimization Theory and Applications, 29(1):87–102.

Mertens, K.C., Verbeke, L.P.C. & Ducheyne, EI. De Wulf., RR., 2003, Using Genetic Algorithms in Sub-Pixel Mapping, International Journal of Remote Sensing, 24: 4241–4247

Ozdamar, L. & Demirhan, M., 2000, Experiments with New Stochastic Global Optimization Search Techniques, Computers and Operations Research, 27(9):841–865.

Paola, J.D. & Schowengerdt, R.D., 1995, Review Article: A Review and Analysis of Back Propagation Neural Networks for Classification of Remotely Sensed Multispectral Imagery, International Journal of Remote Sensing, 16: pp. 3033-3058.

Saab, Y. & Rao, V., 1991, Combinational Optimization by Stochastic Evolution, IEEE Transactions on Computer-Aided Design, 10:525–535.

Talbi, E.-G., 2009, Metaheuristics : From Design to Implementation, New Jersey: John Wiley & Sons.

Tatem A.J, Lewis, H.G., Atkinson, P.M. & Nixon, M.S., 2003, Super Resolution Land Cover Mapping from Remotely Sensed Imagery Uusing a Hopfield Neural Network, in Uncertainty in Remote Sensing and GIS, Hoboken, NJ: Wiley, 77–98

Thornton, M.W., Atkinson, P.M. & Holland, D.A., 2006, Super-Resolution Mapping of Rural Land Cover Features from Fine Spatial Resolution Satellite Sensor Imagery, International Journal of Remote Sensing, 27: 473–491

Tobler, W., 1970, A Computer Movie Simulating Urban Growth in the Detroit Region, Economic Geography, 46(2): 234-240.

Villa, A., Chanussot, J., Benediktsson, J.A. & Jutten, Ch., 2011, Spectral Unmixing for the Classification of Hyperspectral Images at a Finer Spatial Resolution, IEEE Journal of Selected Topics in Signal Processing, Vol. 5, No. 3. 521-533.


ارجاعات

  • در حال حاضر ارجاعی نیست.