استفاده از الگوریتم فراابتکاری کرم شب تاب در بهبود دقت طبقه بندی تصویر ماهواره ای, مطالعه موردی: شهر رفسنجان
محورهای موضوعی : زیرساخت اطلاعات مکانی و طبقه بندی
1 - عضو هیات علمی, گروه مهندسی عمران, دانشگاه فنی و حرفه ای، تهران، ایران
کلید واژه: ماشین بردار پشتیبان, کرم شبتاب, طبقه بندی, شبکه عصبی مصنوعی,
چکیده مقاله :
امروزه یکی از روش‌های تهیه‌ی نقشه کاربری و پوششی اراضی، استفاده از اطلاعات ماهواره‌ای و روش‌های سیستم اطلاعات مکانی است. داده‌های ماهواره‌ای به دلیل ارائه اطلاعات به روز و امکان پردازش تصاویر، در تهیه‌ی نقشه‌های پوششی اراضی از اهمیت بالایی برخوردارند. از سوی دیگر در سال‌های اخیر به طور وسیع و گسترده جهت طبقه‌بندی تصاویر ماهواره‌ای از روش‌های طبقه‌بندی پیشرفته از قبیل شبکه‌های عصبی مصنوعی، مجموعه‌های فازی و شبکه‌های هوشمند استفاده شده است. هدف از این تحقیق، بهبود دقت طبقه‌بنـدی تصـویر ماهواره‌ای با استفاده از یک الگوریتم فراابتکاری است. در این تحقیق، یک روش طبقه‌بندی جدید مبتنی بر الگوریتم کرم شبتاب به عنوان یک الگوریتم یادگیری تحت نظارت معرفی شده است. بـدین منظـور ابتدا با استفاده از دو الگوریتم طبقه‌بندی شبکه عصبی مصنوعی و ماشین‌های بـردار پشتیبان، تصـویر موردنظر طبقه‌بندی و نقشه‌ی پوششی اراضی آن تهیه شد. سپس مقادیر دقت و ضریب کاپا برای این دو الگـوریتم محاسبه گردید. در نهایت الگوریتم کرم شبتاب در نرم‌افزار پایتون برنامه‌نویسی شد و پس از ورود تصاویر به برنامه پایتون و مشاهده نتایج خروجی، مشخص شد که پارامترهای تابع هسته مرکزی روش بردار پشتیبان و تعداد نورون‌های روش شبکه عصبی مصنوعی بهبود داده شده است. در نهایت نتایج نشان داد که الگوریتم کرم شبتاب یک طبقه-بندی کننده مناسب است و قابلیت رقابت با بقیه روش‌ها را دارد. دقت کلی حاصل از طبقه‌بندی برای سنجنده ASTER با این الگوریتم، در طبقه‌بندی شبکه عصبی بـه میـزان ۱.۶ درصد و در طبقه‌بندی ماشین بردار پشتیبان به میزان ۳.۸ درصد افزایش یافت. همچنین مقایسه ضریب کاپا، دقت کاربر و دقت تولید کننده برای روش های ذکر شده در بخش نتایج و تحلیل شرح داده شده است.
Today, one of the methods of preparing land use and land cover is the use of satellite information and Geographic information systems methods. Also, satellite data is very important in preparing land use maps due to providing up-to-date and digital information and the possibility of image processing. On the other hand, in recent years, advanced classification methods such as artificial neural networks, fuzzy sets and intelligent networks have been widely used to classify satellite images. The aim of this study is to improve the classification accuracy of satellite imagery using a meta-heuristic algorithm. In this research, a new supervised learning classification method was introduced based on the firefly algorithm. For that purpose, two neural network classification algorithms and the support vector machines were used for land use map classification. Then the overall and kappa coefficient values for these two algorithms were calculated. Finally, the firefly algorithm was programmed in Python software, and after entering the images into the Python program, it was found that the parameters of the core function of the support vector method and the number of neurons in the neural network method were improved. The classification accuracy for the ASTER sensor with this algorithm increased by 1.6% in the neural network classification and by 3.8% in the support vector machine classification. Finally, the results showed that the firefly algorithm is a suitable classifier and can compete with other methods.
_||_