پویا احمدی؛ طیبه مناقبی؛ حمید عبادی؛ بهنام اصغری بیرامی
چکیده
با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه‌روز افزایش و عمومیت می‌یابد. طبقه‌بندی یکی از محبوب‌ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهة گذشته، روشهای بسیاری برای مقابله با مشکل طبقه‌بندی داده‌های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی‌بر یادگیری شبکه‌های کپسول برای طبقه‌بندی ...
بیشتر
با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه‌روز افزایش و عمومیت می‌یابد. طبقه‌بندی یکی از محبوب‌ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهة گذشته، روشهای بسیاری برای مقابله با مشکل طبقه‌بندی داده‌های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی‌بر یادگیری شبکه‌های کپسول برای طبقه‌بندی تصاویر ابرطیفی به‌کار رفته است؛ به‌گونه‌ای که ساختار شبکه بتواند، با استفاده از یک لایة کانولوشنی و یک لایة کپسول، بهترین حالت تولید ویژگی‌ها را داشته باشد و درعین‌حال از بیش‌برازش شبکه روی نمونه‌های آموزشی جلوگیری کند. نتایج به‌دست‌آمده نشان از کیفیت بالای ویژگی‌های تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقه‌بندی، رویکرد استخراج ویژگی ازطریق شبکة طراحی‌شده و طبقه‌بندی با استفاده از الگوریتم درخت تقویتی XGBoost، با روش طبقه‌بندی ازطریق شبکة عمیق سراسری مقایسه شد تا، علاوه‌بر بررسی و کیفیت‌سنجی ویژگی‌های عمیق برداری تولیدی به‌روش پیشنهادی در طبقه‌بندی‌کننده‌های گوناگون، میزان توانایی شبکه‌های عمیق سراسری نیز، در کاربرد طبقه‌بندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایة اصلی است: 1) Prime با کپسول‌هایی به‌اندازة 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) Digitcaps دارای دَه کپسول شانزده‌بعدی؛ 3) لایة تماماً متصل. نتایج بررسی دو رویکرد برای شبکة عمیق و نیز ترکیب شبکه‌های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکردهایی همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh برای مقایسة رویکرد پیشنهادی براساس پیکربندی‌هایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه دادة Indian Pines نیز، شامل شانزده کلاس متفاوت، به‌کار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقه‌بندی تصاویر با دقت 99% روی‌داده‌های آموزش و دقت 5/97% روی داده‌های تست انجام می‌شود.
فراهم احمد زاده؛ نگار امیری؛ الهام ابراهیمی
دوره 10، شماره 2 ، آذر 1397، ، صفحه 95-108
چکیده
امروزه مشخص شده پیشبینی پتانسیل توزیع گونههای در خطر انقراض با استفاده از روشهای مدلسازی به شدت سودمند بوده و استفاده از این روشها کمک بزرگی به حفاظت و مدیریت اکولوژیکی میکند. قورباغه پادراز جنگلی (Rana pesudodalmatina) از جمله گونههای بومی انحصاری ایران است. در این مطالعه اطلاعات حضور قورباغه پا دراز جنگلی از طریق پایش میدانی در زیستگاههای ...
بیشتر
امروزه مشخص شده پیشبینی پتانسیل توزیع گونههای در خطر انقراض با استفاده از روشهای مدلسازی به شدت سودمند بوده و استفاده از این روشها کمک بزرگی به حفاظت و مدیریت اکولوژیکی میکند. قورباغه پادراز جنگلی (Rana pesudodalmatina) از جمله گونههای بومی انحصاری ایران است. در این مطالعه اطلاعات حضور قورباغه پا دراز جنگلی از طریق پایش میدانی در زیستگاههای فعلی گونه گردآوردی گردید و 19 متغیر اقلیمی از پایگاه داده Worldclim استخراج شد. در مرحله بعدی با استفاده از آزمون همبستگی پیرسون، همبستگی بین متغیرهای اقلیمی با ضریب همبستگی 0.75 مورد سنجش قرار گرفت و سپس متغیرهای دارای همبستگی بالا از فرآیند مدلسازی حذف شدند. مدلسازی توزیع گونهای قورباغه پا دراز جنگلی با استفاده از بسته آماری sdm که شامل مدلهای GLM، GAM، RF، MARS، CART، FDA، BRT و SVM میباشد در محیط نرمافزارR انجام شد. در نهایت با استفاده از مدلسازی ترکیبی[1] به عنوان یک فرآیند سنتز نتایج مدلهای فردی برای افزایش دقت قدرت پیشبینی، یک نقشه ترکیبی جامع بهدست آمد. نتایج حاصل از مدل ترکیبی برای تعیین پتانسیلهای زیستگاهی قورباغه پا دراز جنگلی در ایران پیشبینی میکند در شرایط اقلیمی حاضر جنگلهای هیرکانی دارای حداکثر پتانسیل توزیع برای این گونه هستند. همچنین از نتایج ارزیابی مدلها نشان داد شاخص AUC و TSS وضعیت بهتری داشته و مدل SVM بیشترین درجه اعتبار است. علاوه بر این نتایج حاصل از سنجش اهمیت هر یک از متغیرها نشان داد BIO6 بیشترین و BIO19 کمترین اهمیت را برای این گونه دارند.
