استفاده از الگوریتم فراابتکاری کرم شب تاب در بهبود دقت طبقه بندی تصویر ماهواره ای, مطالعه موردی: شهر رفسنجان
الموضوعات : Spatial data infrastructures and standardisation
1 - عضو هیات علمی, گروه مهندسی عمران, دانشگاه فنی و حرفه ای، تهران، ایران
الکلمات المفتاحية: ماشین بردار پشتیبان, کرم شبتاب, طبقه بندی, شبکه عصبی مصنوعی,
ملخص المقالة :
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.
1. Abbaspour-Gilandeh, Y., Sabzi, S., Benmouna, B., García-Mateos, G., Hernández-Hernández, J. L., & Molina-Martínez, J. M. (2020). Estimation of the constituent properties of red delicious apples using a hybrid of artificial neural networks and artificial bee colony algorithm. Agronomy, 10(2), 267.
2. Alavipanah, K, M, Masoudi.2001. Land use Mapping Preparation Using TM satellite imaging Data and GIS (A case Study: Mork region of Fars province Natural Resources and Agricultural Journal.
3. Arekhi Saleh and Adibnejad. Mostafa, 2011, Evaluation of the efficiency of support vector machine algorithms for land use classification using Landsat ETM+ satellite imagery (case study: Ilam Dam), Natural Resources Department, Agriculture Sciences Faculty, University of Ilam, Scientific Journal of Research Pasture and Desert of Iran, Volume 18, Number 3, Page 420-440. (In Persian).
4. Baban, S. J. and M. Wan Yusof. (2001) Mapping land use/ cover distribution on a mountainous tropical island using remote sensing and GIS, International Journal Remote Sensing, 22:10, 1909–1918.
5. Barrett, E.C, and Curtic, L. F (1992). Introduction to Environmental Remote Sensing, Chapman & Hall, London.
6. Chen, K., Zhou, Y., Zhang, Z., Dai, M., Chao, Y., & Shi, J. (2016). Multilevel image segmentation based on an improved firefly algorithm. Mathematical Problems in Engineering.
7. Chen, Q., Chen, Y., & Jiang, W. (2016). Genetic particle swarm optimization–based feature selection for very-high-resolution remotely sensed imagery object change detection. Sensors, 16(8), 1204.
8. Chen, X., Wang, J., Sun, D., & Liang, J. (2008, October). A novel hybrid Evolutionary Algorithm based on PSO and AFSA for feedforward neural network training. In 2008 4th International Conference on Wireless Communications, Networking and Mobile Computing (pp. 1-5). IEEE.
9. Jansen L. J.M. and A. Di Gregorio. (2004) Obtaining land-use information from a remotely sensed land cover map: results from a case study in Lebanon, International Journal of Applied Earth Observation and Geoinformation, 5: 141–157.
10. Hossieni, S. 2002. Investigation on ability of ETM+ satellite image Data for land use mapping preparation (A case Study: Mazandaran province, Chamestan region). Msc Thesis,Tehran University.
11. Hung, H. J., O'Neill, R. T., Bauer, P., & Kohne, K. (1997). The behavior of the p-value when the alternative hypothesis is true. Biometrics, 11-22.
12. Hussain, S. F., Pervez, A., & Hussain, M. (2020). Co-clustering optimization using Artificial Bee Colony (ABC) algorithm. Applied Soft Computing, 97, 106725.
13. Huang, J., Lu, J., & Ling, C. X. (2003, November). Comparing naive Bayes, decision trees, and SVM with AUC and accuracy. In Third IEEE International Conference on Data Mining (pp. 553-556). IEEE.
14. Kattan, A., & Abdullah, R. (2011, January). A parallel & distributed implementation of the harmony search based supervised training of artificial neural networks. In 2011 Second International Conference on Intelligent Systems, Modelling and Simulation (pp. 277-283). IEEE.
15. Karaboga, D., & Akay, B. (2009). A comparative study of artificial bee colony algorithm. Applied mathematics and computation, 214(1), 108-132.
16. Karnan, S. M. (2014). Medical image segmentation using firefly algorithm and enhanced bee colony optimization. Bonfring Int. J. Adv. Image Process, 316-321.
17. Lee, Y. J., & Mangasarian, O. L. (2001). SSVM: A smooth support vector machine for classification. Computational optimization and Applications, 20(1), 5-22.
18. Liu, L., Zhao, D., Yu, F., Heidari, A. A., Li, C., Ouyang, J., ... & Pan, J. (2021). Ant colony optimization with Cauchy and greedy Levy mutations for multilevel COVID 19 X-ray image segmentation. Computers in biology and medicine, 136, 104609.
19. Montana, D. J., & Davis, L. (1989, August). Training feedforward neural networks using genetic algorithms. In IJCAI (Vol. 89, pp. 762-767).
20. Omran, M. G. (2009). Using opposition-based learning with particle swarm optimization and barebones differential evolution. Particle Swarm Optimization, 23, 343-384.
21. Okwuashi, O., & Ndehedehe, C. (2017). Tide modelling using support vector machine regression. Journal of Spatial Science, 62(1), 29-46.
22. Pirra, M., & Diana, M. (2019). A study of tour-based mode choice based on a support vector machine classifier. Transportation Planning and Technology, 42(1), 23-36.
23. Poursaee, A. (2018). Application of agent-based paradigm to model corrosion of steel in concrete environment. Corrosion Engineering, Science and Technology, 53(4), 259-264.
24. Ren, Z., Liu, T., & Liu, G. (2021). Classification and discrimination of real and fake blood based on photoacoustic spectroscopy combined with particle swarm optimized wavelet neural networks. Photoacoustics, 100278.
25. Shataee, Sh and A, Abdi, 2007. Land use mapping preparation in Zagros mountain region using ETM+ satellite images Data (A case study: Sarkan Watershed of Lorestan). Natural Resources and Agricultural Sciences Journal: 1(4):129-138.
26. Shilane, D., Martikainen, J., Dudoit, S., & Ovaska, S. J. (2008). A general framework for statistical performance comparison of evolutionary computation algorithms. Information Sciences, 178(14), 2870-2879.
27. Slowik, A., & Bialko, M. (2008, May). Training of artificial neural networks using differential evolution algorithm. In 2008 conference on human system interactions (pp. 60-65). IEEE.
28. Socha, K., & Blum, C. (2007). An ant colony optimization algorithm for continuous optimization: application to feed-forward neural network training. Neural computing and applications, 16(3), 235-247.
29. Su, H., Cai, Y., & Du, Q. (2016). Firefly-algorithm-inspired framework with band selection and extreme learning machine for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(1), 309-320.
30. Vallada, E., & Ruiz, R. (2010). Genetic algorithms with path relinking for the minimum tardiness permutation flowshop problem. Omega, 38(1-2), 57-67.
31. Wang, X. J., Gao, L., & Zhang, C. Y. (2008, September). Electromagnetism-like mechanism based algorithm for neural network training. In International Conference on Intelligent Computing (pp. 40-45). Springer, Berlin, Heidelberg.
32. Wijaya, A., 2005, Application of Multi-Stage Classification to Detect Illegal Logging with the Use of MultiSource Data, MSc. Thesis, ITC, Enschede, The Netherlands.
33. Xie, H., Zhang, L., Lim, C. P., Yu, Y., Liu, C., Liu, H., & Walters, J. (2019). Improving K-means clustering with enhanced firefly algorithms. Applied Soft Computing, 84, 105763.
34. Yang, X. S. (2009, October). Firefly algorithms for multimodal optimization. In International symposium on stochastic algorithms (pp. 169-178). Springer, Berlin, Heidelberg.
35. Yang, X. S. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons.
36. Yang, X. S., & He, X. (2015). Swarm intelligence and evolutionary computation: overview and analysis. Recent advances in swarm intelligence and evolutionary computation, 1-23.
37. Yang, X. S., & Deb, S. (2010). Eagle strategy using Lévy walk and firefly algorithms for stochastic optimization. In Nature inspired cooperative strategies for optimization (NICSO 2010) (pp. 101-111). Springer, Berlin, Heidelberg.
استفاده از الگوریتم فراابتکاری کرم شبتاب در بهبود دقت طبقهبندي تصویر ماهوارهاي, مطالعه موردی: شهر رفسنجان
چکیده
امروزه یکی از روشهای تهیهی نقشه کاربری و پوششی اراضی، استفاده از اطلاعات ماهوارهای و روشهای سیستم اطلاعات مکانی است. دادههاي ماهوارهاي به دلیل ارائه اطلاعات به روز و امکان پردازش تصاویر، در تهیهی نقشههاي پوششی اراضی از اهمیت بالایی برخوردارند. از سوي دیگر در سالهاي اخیر به طور وسیع و گسترده جهت طبقهبندي تصاویر ماهوارهاي از روشهاي طبقهبندي پیشرفته از قبیل شبکههاي عصبی مصنوعی، مجموعههاي فازي و شبکههاي هوشمند استفاده شده است. هدف از این تحقیق، بهبود دقت طبقهبنـدي 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 طبقهبندي شبکه عصبی مصنوعی و ماشینهاي بـردار پشتیبان، تصـویر موردنظر طبقهبندي و نقشهي پوششی اراضی آن تهیه شد. سپس مقادیر دقت و ضریب کاپا براي 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 طبقهبندی کننده مناسب است و قابلیت رقابت با بقیه روشها را دارد. دقت کلی حاصل از طبقهبندي براي سنجنده ASTER با این الگوریتم، در طبقهبندي شبکه عصبی بـه میـزان ۱.۶ درصد و در طبقهبندي 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.
واژه‌های کلیدی: طبقهبندی، کرم شبتاب، شبکه عصبی مصنوعی، ماشین بردار پشتیبان
مقدمه
استخراج اطلاعات از تصاویر ماهوارهای در دهههای اخیر رشد چشمگیری داشته و در این راستا الگوریتمهای مختلفی جهت استخراج اطلاعات از تصاویر ماهوارهای معرفی شدهاند که هر کدام از این روشها مزایا و معایبی دارند. یکی از روشهای مهم در تفسیر تصاویر سنجش از دور، طبقهبندی تصاویر است که کاربرد زیادی در بررسی تغییرات زمین دارد. طبقهبندی و تهیه نقشه پوششی اراضی یکی از پرکاربردترین موارد در استفاده از دادههای سنجش از دور است. با استفاده از طبقهبندی میتوان عضویت یک پیکسل را به یک کلاس تعیین کرد. مسئله مهم, تعیین یک روش طبقهبندی با دقت مناسب برای تصاویر ماهوارهای با قدرت تفکیک مکانی بالا میباشد.
هوش جمعی نوعی از روشهای هوش مصنوعی مبتنی بر رفتارهاي جمعی است که عاملها، به طور محلی با یکدیگر و با محیط اطراف خود در تعامل هستند و چگونگی تعامل و تبادل اطلاعات بین عوامل متعدد در طبیعت را نشان میدهد(۳۶). رویکرد هوش جمعی کارآیی خود را در بسیاری از مشکلات بهینهسازی که به دنبال بهترین راهحل مانند انتخاب ویژگی و سایر مشکلات هستند، ثابت کرده است. موفقترین روشهاي هوش جمعی که تاکنون به وجود آمدهاند، روش بهینهسازي کلونی مورچهها(AntColony Optimization)(۱۸)، روش بهینهسازي اجتماع ذرات(Particle Swarm Optimization) (۲۴)، روش بهینهسازي زنبور عسل(BeeColony Optimization) (۱۲) و روش بهینهسازي کرم شبتاب(Firefly Optimization) است. از این الگوریتمها در مسائل مربوط به انتخاب و اولویتبندی ویژگیها استفاده میشد، اما به ندرت به عنوان طبقهبندیکننده معرفی شدند. هر الگوریتم با ایجاد یک جمعیت اولیه از راهحلهاي کاربردی آغاز میگردد و به صورت مکرر از نسلی به نسلی دیگر در جهت بهترین راهحل حرکت میکند. در تکرارهاي موفق الگوریتم، انتخاب در مجموعهاي از راهحلها انجام میگیرد(۳۰).
در دههی گذشته، روشهای آماری مانند نزدیکترین همسایه(k-nearest Neighbor)، شبکه عصبی( Neural Network)(۴)، ماشین بردار پشتیبان(Support Vector Machine)(۱۷)و سایر تکنیکها در طبقهبندی استفاده شده است. با توجه به این که انواع مختلفی از اطلاعات و ویژگیهای مکانی را میتوان از یک تصویر استخراج کرد، ضروری است که از یک الگوریتم بهینهسازی برای ارائهی بهترین مجموعه ویژگیها برای تشخیص تغییرات در مناطق شهری استفاده شود. در بین الگوریتمهای بهینهسازی پیشنهادی، عملکرد الگوریتمهای فراابتکاری که از جستجوهای جهانی و محلی استفاده میکنند، در مطالعات متعددی به اثبات رسیده است. این الگوریتمها شامل الگوریتمهای تکاملی مانند الگوریتم ژنتیک(Genetic Algorithm) و الگوریتمهای هوش ازدحام مانند الگوریتم بهینهسازي اجتماع ذرات میباشند(۳۵). در حالی که کاربرد و عملکرد این دو الگوریتم در تشخیص تغییر مناطق شهری با استفاده از تصاویر با وضوح بالا ارزیابی شده است، ارزیابی روشهای بهینهسازی جدید نیاز به بررسی بیشتر دارند(۷).
الگوریتمهاي بهینهسازي هر دو نوع مسائل بیشینهسازي و کمینهسازي را پوشش میدهند. بهینهسازي کاربردهاي زیادي در زمینهی تخصیص منابع، زمانبنديها و تصمیمگیريها دارد. شیوههاي سابق براي حل مشکلات بهینهسازي، مستلزم تلاشهاي محاسباتی بیشماري بودند، در حالیکه الگوریتمهاي هوش جمعی تا حدي این مشکل را برطرف نمودهاند. توسط این الگوریتمها راهحلهایی پیدا میشوند که تقریبا به جواب نزدیک هستند(۲۶).
در میان روشهای مبتنی بر جمعیت، از الگوریتم بهینهسازي اجتماع ذرات به صورت جداگانه و الگوریتم بهینهسازي اجتماع ذرات ترکیبی با یک عملگر جستجوی محلی برای روش شبکه عصبی مصنوعی به کار برده شده است(۲۰). سایر روشهای هوش جمعی مانند بهینهسازی کلونی مورچهها نیز استفاده شده است(۲۸). علاوه بر این، چن(Chen)(۸) یک الگوریتم ترکیبی جدید براساس الگوریتم ازدحام ماهی مصنوعی پیشنهاد کرد. الگوریتم ژنتیک(۱۹)، ارزیابی تفاضلی(۲۷)، الگوریتم مبتنی بر مکانیسم شبه الکترومغناطیس (Electromagnetism-like mechanism-based algorithm)(۳۱) و الگوریتم جستجوی هارمونی (۱۴) برخی از روشهای مهم دیگری هستند که در سالهای اخیر پیشنهاد شدهاند.
الگوریتم کرم شبتاب به عنوان یکی از الگوریتمهای جستجوی فراابتکاری که اخیراً پیشنهاد شده است، دارای قابلیت منحصر به فرد تقسیمبندی خودکار در مقایسه با سایر الگوریتمهای جستجو است. در این تحقیق از ترکیب الگوریتم بهینهسازی کرم شبتاب با روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای بهبود دقت طبقهبندی استفاده شده است.
پیشینه تحقیق
کاربری اراضی توصیف نوع بهرهبرداری انسان برای یک یا چند هدف بر روی یک قطعه زمین است. آگاهی از نوع و درصد کاربریهای مختلف برای شناخت و مدیریت منابع طبیعی و زیستمحیطی در سطح حوزههای آبخیز و سایر واحدهای کاری ضروری است(۲).
دادههاي ماهوارهاي يكي از سريعترين و كم هزينـهتـرين روشهاي در اختيار محققان جهت تهية نقشه كـاربري اراضـي ميباشد. تعیین کاربری اراضی یکی از اطلاعات پایه در ارزیابی منابع مختلف مانند قابلیت اراضی و خاکشناسی، مطالعات پوشش گیاهی، فرسایش و رسوب، مدیریت منابع طبیعی و محیط زیست، شناخت توان و استعداد اراضی و در کل مطالعات آبخیزداری و آمایش سرزمین است. معمولا نقشه پوشش اراضی و نقشه پوششی اراضی به صورت ابهامآمیزی به جای همدیگر، البته نه همیشه، استفاده و معمولا اطالعات کاربری اراضی از نقشه پوشش زمین استخراج میشود(۸).
سنجش از دور با ارائه اطالعات به هنگام، فراهم آوردن دید همه جانبه، استفاده از قسمتهای مختلف طیف الکترومغناطیسی برای ثبت خصوصیات پدیدهها، پوششهای تکراری، سرعت انتقال و تنوع اشکال دادهها، کاهش هزینه و نیروی انسانی در مطالعات از ارزش زیادی برخوردار است(۹ و ۱۰).
با استفاده از تصاویر ماهوارهای میتوان نقشههای پوششی اراضی را در سطوح مختلف تهیه و وضعیت موجود پوشش زمین/ کاربری اراضی را بررسی کرد. حسینی (۱۳۸۲) نقشه پوششی اراضی و تراکم پوشش گیاهی منطقه چمستان(مازندران) را با استفاده از تصاویر ETM و فیوژن (ادغام دادهای ماهوارهای) دادهها تهیه کرد(۱۰).
شتایی و عبدی (۱۳۸۷) قابلیت دادههای سنجنده ETM را در تفکیک اراضی جنگلی زاگرس از سایر کاربریها از طریق مقایسه با نقشه واقعیت زمینی نمونهبرداری شده در حوزه سرخاب لرستان انجام و نتیجه گرفتند که تفکیک و طبقهبندی اراضی جنگلی از سایر طبقات کاربری با صحت ۱۰ درصد، موید کارآیی این روش در تولید این نقشههاست(۲۵).
علوی پناه و همکاران (۱۳۸۰) برای تهیه نقشه پوششی اراضی از منطقه کوهستانی موك استان فارس، از داده های رقومی ماهواره لندست TM و سامانههای اطلاعیه جغرافیایی استفاده کردند. آن هیا از بانیدهای سه، چهار، پینج و هفت سنجنده TM و روش طبقهبندی نظارتشده حداکثر احتمال در تولید نقشه استفاده کردند و نقشههای شامل ۹ طبقه به دست آوردند که بدین شرح است: زراعت آبی، مرتع، اراضی شخم خورده، شالیزار، جنگل، باغها، تاکستان، زراعت دیم و اراضی زراعی برداشت شده. به دلیل پیایی بودن دقت طبقهبندی برای اراضی مسکونی و رودخانه، از دیگر لایههای اطلاعاتی در سامانه اطلاعات جغرافیایی برای تفکیک این دو طبقه استفاده شد. میزان دقت کلی نقشه تولیدشده، ۹۴/۷ درصد برآورد گردید(۲).
آرخی و ادیبنژاد (۱۳۹۰) در تحقیقی به ارزیابی کارایی الگوریتمهای ماشین بردار پشتیبان جهت طبقهبندی پوششی اراضی با استفاده از دادههای ماهواره لندست مربوط به سنجنده ETMدر حوزه سد ایلام پرداختند. در این تحقیق طبقهبندی با استفاده از روش ماشینهای بردار پشتیبان، به صورت خودکار و با استفاده از چهار نوع کرنل خطی، چندجملهای، شعاعی و حلقوی اجرا شده است. صحت طبقهبندی پوششی اراضی برای روشهای ماشین بردار پشتیبان و حداکثر احتمال به ترتیب ۹۵ و ۸۵ درصد و ضریب کاپا به ترتیب ۰.۷۹ و ۰.۹۴ برآورد گردید(۳).
رویکرد هوش جمعی کارآیی خود را در بسیاری از مشکلات بهینهسازی که به دنبال بهترین راهحل مانند انتخاب ویژگی و سایر مشکلات هستند، ثابت کرده است. کارابوگا(Karaboga) و آکای(Akay) نشان دادند که الگوریتم کلونی زنبور عسل نسبت به الگوریتمهای ژنتیک و بهینهسازي اجتماع ذرات برای مجموعه بزرگی از توابع بهتر عمل میکند(۱۵). همچنین گیلانده و همکاران برتری الگوریتم بهینهسازي زنبور عسل مصنوعی نسبت به بهینهسازي اجتماع ذرات را در مدل ترکیبی با شبکههای عصبی مصنوعی در طبقهبندی پوششی اراضی نشان دادند(۱).
با توجه به گسترش الگوریتمهای هوش جمعی، محققان در تلاش هستند الگوریتم کرم شبتاب را به عنوان یکی از الگوریتمهای مفید بهبود بخشند تا برای کاربردهای مختلف سازگار باشد. برای مثال، سو و همکاران(۲۹)، کارنان(۱۶)، چن و همکاران(۶)، از الگوریتم کرم شبتاب برای حل مشکلات پردازش تصویر استفاده کردند.
هایلون شی (Hailun Xie) و همکاران در سال ۲۰۱۹ به بررسی بهبود دقت طبقهبندی K-means با الگوریتم کرم شبتاب پرداختند. نتایج تجربی در این تحقیق نشان داد که الگوریتم کرم شبتاب پیشنهادی از نظر آماری برتری قابل توجهی در اندازهگیریهای فاصله و عملکرد در مقایسه با خوشهبندی معمولی دارد(۳۷).
یانگ از الگوریتمهای کرم شبتاب و ازدحام ذرات استفاده کرده و آنها را برای توابع آزمایشی مختلف با هم مقایسه کرد و به این نتیجه رسید که الگوریتم کرم شبتاب نتایج بهتری نسبت به الگوریتم ازدحام ذرات و همچنین الگوریتم ژنتیک از نظر کارایی و میزان موفقیت به دست می‌آورد. همچنین مشخص شده است که توانایی پخش الگوریتم کرم شبتاب باعث همگرایی سریعتر به سمت بهینهسازی میشود(۳۴). در کار مشابهی توسط یانگ و دب(۳۷)، نتایج تجربی نشان داد که الگوریتم کرم شبتاب از سایر روشها مانند ازدحام ذرات بهتر عمل میکند.
با توجه به موارد فوق، میتوان دریافت که الگوریتم کرم شبتاب نسبت به سایر روشها تاثیر بیشتری دارد و میتوان با استفاده از آن به بررسی دقت مربوط به طبقهبندی تصاویر ماهوارهای پرداخت.
روش تحقیق
منطقه مورد مطالعه
شهرستان رفسنجان در جنوب شرق ایران و در قسمت شمال غربی استان کرمان واقع شده است. رفسنجان یکی از شهرهاي مهم استان کرمان است. این شهر مرکز شهرستان رفسنجان و جمعیت آن در سال ۱۳۹۵ حدود ۱۶۱۹۰۹ نفر بوده است. فاصله شهر رفسنجان تا کلانشهر کرمان مرکز استان کرمان ۱۱۵ کیلومتر است. رفسنجان بزرگترین صادرکننده پسته جهان است و به همین سبب بزرگترین جنگل مصنوعی جهان در این شهر قرار گرفته است.
شهر رفسنجان دارای آب و هوای نیمه بیابانی است. تابستان‌های نسبتاً گرم و زمستان‌های سردی دارد. البته در اطراف این شهر مناطق کوهستانی و سرد زیادی نیز وجود دارد. میانگین بارش سالانه شهر رفسنجان ۱۰۰ میلی‌متر و ارتفاع آن از سطح دریا ۱۵۲۸ متر است. شکل ۱ منطقه مورد مطالعه را نشان میدهد. در این شکل انواع کاربریهای منطقه شامل کاربریهای مسکونی، زمینهای بایر، پوششهای گیاهی، جادهها و ... نشان داده شده است. شهر رفسنجان به دلیل داشتن زمینهای پسته زیادی که در اطراف شهر قرار دارند از پوشش گیاهی فراوانی برخوردار است.
|
شکل۱. منطقه مورد مطالعه Fig 1. Study area |
دادهها و روشها
با توجه به اینکه تصاویر سنجندهی استر(ASTER ) ماهوارهی ترا(TERRA) بر مبنای نیازهای زمینشناسی طراحی شده و از تفکیک طیفی خوبی در محدودهی مادون قرمز برخوردار است، برای انجام پژوهش از تصویر این سنجنده استفاده شد. در این مطالعه براي انجام پیشپردازشها و اجرای طبقهبندي از نرمافزار انوی ۵.۳ (ENVI5.3) و از نرمافزار گوگل ارث(Google Earth) براي تشخیص نمونههاي آموزشی اسـتفاده و همچنـین تصـویر سـنجندهي استر از ماهوارهي ترا مربوط به سال ۲۰۱۵ که داراي ۱۴ باند طیفی است به کار گرفته شد. در نهایت با استفاده از زبان برنامهنویسی پایتون(Python) الگوریتم کرم شبتاب نوشته شده و دقت طبقهبندی تصویر بررسی شد.
پیشپردازش
اولین و یکی از مهمترین مراحل در تجزیه و تحلیل سنجش از دور، مرحلهی پیشپردازش است که شامل اصلاحات هندسی و رادیومتری است. به طور کلی منظور از تصحیح هندسی یک تصویر، تغییر سیستم مختصات اجزاي سازنده تصویر و انطباق آن با نقشههاي نظیر و یا تصویري است که قبلا بر روي آن تصحیح هندسی صورت گرفته باشد(۵). رایجترین روش غیرپارامتري انجام تطابق هندسی، استفاده از نقاط کنترل زمینی است. براي انجام عملیات زمین مرجع کردن، ۳۰ نقطهی کنترل در منطقه مورد مطالعه در تقاطع جادهها، آبراههها و جادهها مشخص گردید و در تصاویر متناظر علامت زده شد، سپس با نمونهبرداري مجدد و روش نزدیکترین همسایه مقدار خطاي جذر مربعات میانگین، ۰.۴۵ بدست آمد.
در مرحلهی بعد اقدام به تهیهی نقشه واقعیت زمینی شد. این نقشه با بهرهگیري از تصویر ماهوارهاي موجود در نرمافزار گوگل ارث تهیه شده است که در شکل۲ نشان داده شده است. برای بالا بردن دقت کار و پایین آوردن درصد اشتباه در پیکسلهای تصویر، سعی شد بین ۸ تا ۱۵ نمونه از هر کلاس انتخاب گردد.
ب |
الف |
د |
ج |
شکل۲ . کلاس کاربریهای مشخص شده بر روی تصویر گوگل ارث الف. جاده , ب. زمین بایر , ج. مسکونی و شهری , د. پوشش گیاهی Fig 2. The user class specified on the Google Earth image a. Road, b. Barren land, c. Residential and urban, d. Vegetation | |
طبقهبندی
بعد از پردازشهای اولیه و با استفاده از تصاویر رنگی کاذب و تصویر حاصل از گوگل ارث و همچنین بازدیدهای صحرایی، انواع پوششهای مختلف منطقه به شرح جدول ۲ شناسایی گردید. به منظور طبقهبندی تصویر، نمونه های آموزشی به عنوان الگوی مشخص طیفی طبقه براساس عملیات میدانی، تصاویر رنگی و تصاویر گوگل ارث انتخاب شدند. در نهایت برای طبقهبندی تصویر از دو روش طبقهبندی نظارت شده شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شد.
بعد از انتخاب ترکیب رنگی کاذب(باندهای ۱و۲و۳) براي تصویر، اقدام به طبقهبندي تصویر در پنج طبقهي شهري، جاده، پوشش گیاهی، زمینهاي بایر و کوه شد که پس از آن نمونههاي آموزشی از سطح منطقه با استفاده از تصاویر گوگل ارث و تفسیر بصري به دست آمد. به منظور طبقهبندي تصویر، نمونههاي آموزشی به عنوان الگوي مشخصات طیفی طبقات براساس عملیات میدانی انتخاب شد. کلاسهاي کاربري در نظر گرفته شده براي طبقهبندي تصویر به شرح جدول ۱ میباشند. با توجه به نوع پیکسلهای تصویر تعداد نمونههای انتخابی متفاوت انتخاب گردید.
جدول ۱. کلاس کاربریهای در نظر گرفته شده برای طبقهبندی Table 1. Usage class intended for classification | ||
تعداد نمونه | شرح | نام کلاس |
۱۵ | خیابان , کوچه , بزرگ راه و آزاد راه | جاده |
۸ | مناطق بایر و داراي پوشش گیاهی بسیار اندك که به شکل خاك یا زمین برهنه هستند | زمین بایر |
۸ | مناطق مسکونی, تجاری و صنعتی | شهری |
۱۲ | مناطق کوهستانی | کوه |
۱۳ | انواع پوششهای گیاهی و فضای سبز | پوشش گیاهی |
روش شبکه عصبی مصنوعی
از اواخر دهه ۱۹۸۰، شبکههای عصیی مصنوعی برای آنالیز دادههای سنجش از دور در کاربردهای گوناگون مانند طبقهبندی پوشش اراضی، آشکارسازی ابر و مانند اینها به کار گرفته شده است(۳۲). شبکههای عصبی مصنوعی، روشهای مطلوبی برای طبقهبندی کاربری و پوشش اراضی به شمار میآیند به طور کلی سه مرحله در طبقهبندی شبکه عصبی مصنوعی وجود دارد. مرحله اول، فرایندی آموزشی با استفاده از دادههای ورودی است. مرحله دوم، فاز اعتبارسنجی و مرحلهی آخر، طبقهبندی است که نقشه طبقهبندی شده پوشش یا کاربری اراضی را ایجاد می کند(۳۳).
روش ماشین بردار پشتیبان
ماشین بردار پشتیبان یک روش پیشرفته است که برای طبقهبندی مورد استفاده قرار میگیرد و تحقیقات مختلف نشان داده است که دقت و مزایای محاسباتی بهتری نسبت به سایر روشهای طبقهبندی سنتی دارد(۱۳). از زمان معرفی ماشین بردار پشتیبان، ثابت شده است که در طبقهبندی تصاویر سنجش از دور، تجزیه و تحلیل و پیشبینی تغییرات کاربری اراضی شهری بسیار کارآمدتر شده است (به عنوان مثال (۲۱)). با توجه به توانایی ماشین بردار پشتیبان برای مدل‌سازی دادههای دنیای واقعی پیچیده، در مقایسه با مدل‌های مبتنی بر عامل که در ارزیابی محدودیت‌ها و نتایج مدل ناتوانی هستند، مدل‌های پیشبینی نسبتاً بهتری میباشند(به عنوان مثال مطالعات(۲۲و۲۳)).
الگوریتم کرم شبتاب Firefly Algoritm
الگوریتم کرم شبتاب در ابتدا توسط یانگ (۳۶) در اواخر سال ۲۰۰۷ به عنوان یک روش مبتنی بر جمعیت برای حل مسائل بهینهسازی توسعه یافت که ایده اصلی آن، از ارتباط نوری میان کرمهای شب تاب الهام گرفته شده است. کرمهای شبتاب کم نور به راحتی توسط کرمهای شبتاب روشنتر جذب میشوند و روشنایی کرم شبتاب تحت تأثیر محیط مورد نظر قرار میگیرد.
الگوریتم کرم شبتاب از سه قانون پیروی میکند:
-کرم شبتاب باید تک جنسیت باشد.
-کرمهای شبتاب کمنور تر به طور تصادفی توسط کرمهای شبتاب پرنور جذب میشوند.
-روشنایی هر کرم شبتاب نشاندهنده کیفیت راه حل است.
در این الگوریتم، شکل تابع جذابیت یک کرم شب تاب با رابطه ۱ نشان داده می شود:
[1] |
|
در این رابطه، r فاصله بین هر دو کرم شبتاب است،
مقدار جاذبهی اولیه در r = 0 و 
یک ضریب جذب است که کاهش شدت نور را کنترل میکند(در این تحقیق مقدار آن برابر ۱ در نظر گرفته می شود).
فاصله بین هر دو کرم شب تاب i و j به ترتیب در موقعیتهای xi و xj میتواند به صورت فاصله دکارتی یا اقلیدسی به صورت رابطه ۲ تعریف شود:
[2] |
|
که در آن، d ابعاد مسئله داده شده است. حرکت یک کرم شبتاب i که توسط یک کرم شبتاب درخشانتر j جذب میشود، با رابطه ۳ نشان داده میشود:
[3] |
|
که در آن، عبارت اول موقعیت فعلی کرم شبتاب است، از عبارت دوم برای در نظر گرفتن جذب کرم شبتاب نسبت به شدت نور شبتابهای همسایه استفاده میشود و عبارت سوم برای حرکت تصادفی یک کرم شبتاب زمانی که نمیتواند هیچ گونه کرم درخشان تر را ببیند، استفاده میشود.
ضریب α یک پارامتر تصادفی است که توسط مسئله مورد نظر تعیین میشود، در حالی که rand یک مولد اعداد تصادفی است که به طور پیوسته در فضا توزیع شده است(۱۱).
شبکه عصبی احتمالی از ۴ لایه تشکیل شده است. ورودی، الگو، تجمیع و خروجی که در شکل ۴ نشان داده شده است.
|
شکل۴. لایههای روش شبکه عصبی احتمالی(۴۵) Fig 4. Layers of probabilistic neural network methods (45) |
لایه ورودی، لایه اولیه نورونها است. هر نورون ورودی یک ویژگی جداگانه را در مجموعه دادههای آموزشی نشان میدهد (به عنوان مثال، از x1 تا xn). تعداد ورودیها برابر با تعداد ویژگیهای مجموعه داده است. در نهایت, مقادیر دادههای ورودی در وزنهای مناسبw(ij) ضرب میشوند و همانطور که توسط الگوریتم شبکه عصبی مصنوعی احتمالی نشان داده شده است به لایه الگو منتقل میگردند. لایهی خروجی آخرین لایهای میباشد که شامل یک کلاس است، زیرا معمولاً تنها یک خروجی درخواست میشود.
همانطور که در شکل ۵ نشان داده شده است، این روش از وزنهای اولیه شروع میشود که به طور تصادفی توسط مدل طبقهبندی شبکه عصبی احتمالی اصلی ایجاد میشوند. سپس مقادیر دادههای ورودی در وزنهای مناسب w(ij) ضرب میشوند که این وزنها توسط الگوریتم شبکه عصبی احتمالی تعیین میگردند.
|
........
........
........ |
|
شکل۵. نمایش وزن های اولیه(۴۵)
Fig 5. Displays of initial weights (45)
مبانی روش پیشنهادی
الگوریتم کرم شبتاب را میتوان از مظاهر هوش ازدحام(Swarm Intelligence) دانست که در آن از همکاری اعضای ساده و کمهوش، مرتبه بالاتری از هوشمندی ایجاد میشود که قطعا توسط هیچ یک از اجزا قابل حصول نیست.
فرایند کامل الگوریتم پیشنهادی شامل سه مرحله است.
مرحله انتخاب ویژگی که وظیفه کاهش ویژگیها و انتخاب مفیدترین ویژگیها را بر عهده دارد، مرحله ساخت مدل که مسئول انتخاب ارائهدهندگان کلاس کرم شبتاب است. مرحله استفاده و پیشبینی مدل که مسئول تخصیص نمونههای آموزشی دیده نشده در کلاسهای نسبی با استفاده از ارائهدهندگان کلاس است.
الگوریتم کرم شبتاب عملیات جستجو را با توجه به رفتارهای تغذیه کرم شبتاب انجام میدهد. در الگوریتم کرم شبتاب، دسته ای از کرم شبتاب به طور تصادفی شروع میشود و هر کرم شبتاب یک محلول اولیه را نشان میدهد.
در الگوریتم کرم شبتاب روند کار بدین صورت است که هر کرم شبتاب با تکتک کرمهاي شبتاب دیگر مقایسه میشود. اگر کرم شبتاب نور کمتري نسبت به کرم شبتاب مقایسهشونده داشته باشد به سمت کرم شبتاب با نور بیشتر (مسئلهی پیدا کردن نقطه ماکزیمم) حرکت میکند. این عمل باعث میشود که ذرات به اطراف ذرهاي که نور بیشتري دارد متمرکز شود و اگر در تکرار بعدي الگوریتم، ذرهاي با نور بهتر وجود داشته باشد ذرات دوباره به سمت ذره با نور بیشتر حرکت میکند. این الگوریتم به تعداد تکرارهاي زیادي براي رسیدن به نقطه بهینه نیاز دارد. این مراحل آنقدر تکرار میشوند که به حداکثر تکرار برسد و نقاط بهینه به دست آیند.
حال نقاط بهینه به دست آمدهاند و این نقاط در روند بالا دوباره مورد استفاده قرار میگیرد، اما این بار فقط با یک تکرار کلیه فواصل براي تمام پیکسلها و نسبت به نقاط بهینه محاسبه شده و فواصل در مرحله ۲ محاسبه میشوند که این فواصل، بهینه هستند. حال طبقهبندي براساس این فواصل بهینه به دست خواهد آمد.
نتایج و بحث
براي طبقهبندي تصویر از دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شد که در شکل ۶ نشان داده شدهاند.
الف |
|
ب |
|
| شکل۶ . طبقهبندی تصویر با روش الف. شبکه عصبی مصنوعی ب. ماشین بردار پشتیبان Fig 6. Image classification by method a. Artificial neural network with. Support vector machine |
بعد از انجام طبقهبندي با نرمافزار انوی ۳/۵ پارامترهاي ماتریس خطا(Error Matrix) به دست آمد که در جداول ۲ و ۳ مشاهده میشود.
جدول۲ . ماتریس خطای طبقهبندی روش شبکه عصبی
Table 2. Neural network method classification error matrix
| ﺷﻬﺮي | ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ﮐﻮه | زمین های بایر | ﺟﺎده | ﻣﺠﻤﻮع ﺳﻄﺮﻫﺎ |
ﺷﻬﺮي | ۸۰۱ | ۰ | ۲ | ۲۰۸ | ۷ | ۱۰۱۸ |
ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ۱۵ | ۱۹۷۵ | ۰ | ۰ | ۲ | ۱۹۹۲ |
ﮐﻮه | ۶۲ | ۰ | ۸۹۵ | ۴ | ۱۲ | ۹۷۳ |
زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ | ۱۶ | ۴ | ۰ | ۴۶۵ | ۰ | ۴۸۵ |
ﺟﺎده | ۷ | ۰ | ۵۴ | ۰ | ۲۶۷ | ۳۲۸ |
ﻣﺠﻤﻮع ﺳﺘﻮن ﻫﺎ | ۹۰۱ | ۱۹۷۹ | ۹۵۱ | ۶۷۷ | ۲۸۸ | ۴۷۹۶ |
جدول۳ . ماتریس خطای طبقهبندی روش ماشین بردار پشتیبان
Table 3. Support vector machine method classification error matrix
| ﺷﻬﺮي | ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ﮐﻮه | زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ | ﺟﺎده | ﻣﺠﻤﻮع ﺳﻄﺮﻫﺎ |
ﺷﻬﺮي | ۸۲۷ | ۰ | ۱۲ | ۱۵۴ | ۹ | ۱۰۰۲ |
ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ۵ | ۱۹۷۴ | ۰ | ۰ | ۲ | ۱۹۸۱ |
ﮐﻮه | ۲۷ | ۰ | ۹۳۹ | ۰ | ۱۶ | ۹۸۲ |
زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ | ۴۰ | ۵ | ۰ | ۵۲۳ | ۰ | ۵۶۸ |
ﺟﺎده | ۲ | ۰ | ۰ | ۰ | ۲۶۱ | ۲۶۳ |
ﻣﺠﻤﻮع ﺳﺘﻮن ﻫﺎ | ۹۰۱ | ۱۹۷۹ | ۹۵۱ | ۶۷۷ | ۲۸۸ | ۴۷۹۶ |
لازمه استفاده از هر نوع اطلاعـات موضـوعي، آگـاهي از درستي و صحت آن است. بعد از طبقهبندي تصاوير ماهوارهاي، با استفاده از نمونههاي آموزشی كه در روند طبقهبنـدي دخالـت داده نشدهاند، اقدام به ارزيابي صحت تصوير طبقـهبنـدي شـده مــيگــردد.
برای تعیین میزان دقت طبقهبندی، لازم است پیکسلهای نمونهبرداری شده به طور تصادفی انتخاب شوند. از مهمترین معیارهای ارزیابی صحت طبقهبندی میتوان به ضریب کاپا1 و دقت کلی2 اشاره کرد. برای محاسبه دقت کلی در طبقهبندی تصویر، جمع پیکسلهای عناصر قطر اصلی ماتریس خطا بر تعداد کل پیکسلها تقسیم می شود. دقت کلی بیانگر میزان اعتبار طبقهبندی انجام شده است و در نقشههای کاربری استخراج شده از تصاویر ماهوارهای باید بیش از ۸۵ درصد باشد. ضریب کاپا تکنیک چندمتغیرهی گسسته‌ای است، به این صورت که اگر یک ماتریس خطا تفاوت معناداری با دیگری داشته باشد، در ارزیابی صحت برای تصمیمگیری آماری مورد استفاده قرار میگیرد. شاخص k یا ضریب کاپا در واقع معرف اختلاف بین توافق واقعی در دادههای مرجع و یک طبقهبندی کننده خودکار و همچنین یک توافق بین دادههای مرجع و طبقهبندی کنندهی تصادفی است.
مقایسه دقت کاربر و دقت تولیدکننده برای کلاسهای مختلف در هر دو روش انجام گردید و در نتیجه ارزیابی صحت کلاسهای مختلف در جدول ۴ نشان داده شده است. بر همین اساس دقت کاربر (user accuracy) احتمال قطعیت درست طبقهبندی شدن یک پیکسل و دقت تولیدکننده (Producer Accuracy) احتمال آنکه یک نمونهی برداشت شده بر روی تصویر مرتبط با آن کلاس خاص باشد, در این جدول نمایش داده شده است.
جدول۴. مقایسه دقت کاربر و دقت تولید کننده برای کلاس های مختلف
Table 4. Compare user accuracy and manufacturer accuracy for different classes
ارزیابی صحت
کلاس ها | دقت تولید کننده (ماشین بردار پشتیبان) | دقت کاربر (ماشین بردار پشتیبان) | دقت تولید کننده (شبکه عصبی)
|
| دقت کاربر (شبکه عصبی) |
جاده | ۹۷/۵۴ | ۹۳/۰۸ | ۹۲/۳۷ | ۸۷/۵۴ | |
کوه | ۹۳/۸۱ | ۸۸/۸۹ | ۸۸/۳۷ | ۶۵/۵۲ | |
مسکونی و شهری | ۱۰۰ | ۸۵/۷۹ | ۷۷/۱۹ | ۷۰/۹۷ | |
پوشش گیاهی | ۱۰۰ | ۹۸/۲۰ | ۸۸/۲ | ۸۵/۶۶ | |
زمین های بایر | ۸۶/۹۶ | ۷۹/۳۷ | ۸۴/۳۵ | ۸۰/۴۴ | |
جاده | ۹۳/۱ | ۸۳/۰۸ | ۸۵/۱۱ | ۶۹/۵۷ | |
| ضریب کاپا = ۰/۹۲۲۳ | دقت کلی = ۹۴/۳۳ % | ضریب کاپا = ۰/۸۸۷۸ | دقت کلی = ۹۱/۸۱ % | |
الگوریتم کرم شبتاب در نرمافزار پایتون برنامهنویسی شد و بعد از آن تصاویر هر دو روش طبقهبندي به عنوان ورودي به برنامه نوشته شده داده شد. 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 تصویر طبقهبندي شده با الگوریتم کرم شبتاب براي تصاویر بدست آمد که در شکل ۷ نشان داده شده است.
الف |
|
ب |
|
| شکل۷ . طبقهبندی تصویر با الگوریتم کرم شبتاب برای الف. شبکه عصبی ب. ماشین بردار پشتیبان Fig 7. Image classification with firefly algorithm for a. Artificial neural network b. Support vector machine |
جداول ۴ و ۵ مربوط به ماتریس خطاي طبقهبندي شبکه عصبی مصنوعی و ماشین بردار پشتیبان با الگوریتم کرم شبتاب در زیر ارائه شدهاند.
جدول۵ . ماتریس خطای طبقهبندی روش شبکه عصبی مصنوعی با الگوریتم کرم شبتاب
Table 5. Error classification matrix of artificial neural network method with firefly algorithm
| ﺷﻬﺮي | ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ﮐﻮه | زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ | ﺟﺎده | ﻣﺠﻤﻮع ﺳﻄﺮﻫﺎ |
ﺷﻬﺮي | ۸۲۱ | ۰ | ۲ | ۱۹۲ | ۸ | ۱۰۳۸ |
ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ۱۲ | ۱۹۷۵ | ۰ | ۰ | ۵ | ۱۹۸۹ |
ﮐﻮه | ۵۳ | ۰ | ۹۰۹ | ۳ | ۸ | ۹۷۰ |
زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ | ۸ | ۴ | ۰ | ۴۸۲ | ۰ | ۴۷۷ |
ﺟﺎده | ۷ | ۰ | ۴۰ | ۰ | ۲۶۷ | ۳۲۲ |
ﻣﺠﻤﻮع ﺳﺘﻮن ﻫﺎ | ۹۰۱ | ۱۹۷۹ | ۹۵۱ | ۶۷۷ | ۲۸۸ | ۴۷۹۶ |
جدول ۶ . ماتریس خطای طبقهبندی روش ماشین بردار پشتیبان با الگوریتم کرم شبتاب
Table 6. Classification error matrix Support Vector Machine method with Firefly algorithm
| ﺷﻬﺮي | ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ﮐﻮه | زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ | ﺟﺎده | ﻣﺠﻤﻮع ﺳﻄﺮﻫﺎ |
ﺷﻬﺮي | ۸۲۵ | ۰ | ۱۵ | ۱۴۰ | ۱۰ | ۱۰۰۰ |
ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ | ۵ | ۱۹۷۵ | ۰ | ۰ | ۲ | ۱۹۸۲ |
ﮐﻮه | ۲۳ | ۰ | ۹۳۶ | ۰ | ۱۷ | ۹۷۶ |
زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ | ۳۶ | ۴ | ۰ | ۵۳۷ | ۰ | ۵۷۷ |
ﺟﺎده | ۲ | ۰ | ۰ | ۰ | ۲۵۹ | ۲۶۱ |
ﻣﺠﻤﻮع ﺳﺘﻮن ﻫﺎ | ۹۰۱ | ۱۹۷۹ | ۹۵۱ | ۶۷۷ | ۲۸۸ | ۴۹۷۶ |
مقایسه بین دقت کاربر و دقت تولید کننده پس از اعمال الگوریتم کرم شبتاب برای کلاسهای مختلف در جدول ۷ نشان داده شده است.
جدول۷. جدول مقایسه دقت کاربر و دقت تولید کننده برای کلاسهای مختلف
Table 7. Comparison table of user accuracy and manufacturer accuracy for different classes
ارزیابی صحت
کلاس‌ها | دقت تولید کننده (ماشین بردار پشتیبان) | دقت کاربر (ماشین بردار پشتیبان) | دقت تولید کننده (شبکه عصبی)
|
| دقت کاربر (شبکه عصبی) |
جاده | ۳۲/۹۸ | ۲۲/۹۵ | ۳۷/۹۳ | ۴۴/۸۸ | |
کوه | ۱۱/۹۴ | ۳۳/۸۹ | ۴۴/۸۸ | ۱۳/۶۶ | |
مسکونی و شهری | ۱۰۰ | ۱۱/۸۷ | ۲۹/۷۸ | ۵۵/۷۱ | |
پوشش گیاهی | ۱۰۰ | ۴۳/۹۸ | ۳/۸۹ | ۷۷/۸۵ | |
زمین های بایر | ۳۳/۸۹ | ۸۰/۴۴ | ۲۲/۸۵ | ۳۳/۸۲ | |
جاده | ۳/۹۴ | ۳۳/۸۵ | ۲۱/۸۶ | ۴۴/۷۰ | |
| ضریب کاپا = ۹۳۴۳/۰ | دقت کلی = ۹۵/۹۳% | ضریب کاپا = ۹۱۹۳/۰ | دقت کلی = ۹۵/۶۱% | |
بعد از به دست آوردن تصاویر طبقهبندي براي دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از الگوریتم کرم شبتاب، براي تصویر ASTER و جداول ماتریس طبقهبندي مربوط به آنها، در نهایت جداول مربوط به صحت کلی و ضریب کاپا براي دو روش طبقهبندي با الگوریتم کرم شبتاب و بدون آن به شرح جداول ۶ و ۷ ارائه شده است.
جدول ۸ . صحت کلی و ضریب کاپا روش شبکه عصبی، قبل و بعد از اعمال الگوریتم
Table 8. Overall accuracy and kappa coefficient of the neural network method, before and after applying the algorithm
| ﻃﺒﻘﻪ ﺑﻨﺪي ﺑﺎ روش ﺷﺒﮑﻪ ﻋﺼﺒﯽ | ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺎ اﻋﻤﺎل الگوریتم کرم شبتاب |
دﻗﺖ ﮐﻠﯽ | ۹۱/۸۱% | ۹۵/۶۱% |
ﺿﺮﯾﺐ ﮐﺎﭘﺎ | ۸۸۷۸/۰ | ۹۱۹۳/۰ |
جدول۹. صحت کلی و ضریب کاپا روش ماشین بردار پشتیبان، قبل و بعد از اعمال الگوریتم
Table 9. Overall accuracy and kappa coefficient of the Support Vector Machine method, before and after applying the algorithm
| ﻃﺒﻘﻪ ﺑﻨﺪي ﺑﺎ روش ماشین بردار پشتیبان | ﻃﺒﻘﻪ ﺑﻨﺪي ماشین بردار پشتیبان ﺑﺎ اﻋﻤﺎل الگوریتم کرم شبتاب |
دﻗﺖ ﮐﻠﯽ | ۹۴/۳۳% | ۹۵/۹۳% |
ﺿﺮﯾﺐ ﮐﺎﭘﺎ | ۰/۹۲۲۳ | ۰/۹۳۴۳ |
با مقایسهی جداول ۶ و ۷ مشاهده میشود که دقت طبقهبندي در تصویر براي دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب ۸۱/۹۱ و ۳۳/۹۴ دست آمد که نشان از برتري روش ماشین بردار پشتیبان نسبت به روش شبکه عصبی مصنوعی دارد.
همچنین با مشاهده جداول ۲ و ۴ مشاهده میشود که به طور مثال هم در روش شبکه عصبی مصنوعی و هم در روش ماشین بردار پشتیبان در طبقهبندي با الگوریتم کرم شبتاب نسبت به طبقهبندی بدون الگوریتم کرم شبتاب، براي پوششهای مختلف تعداد پیکسلهایی که درست طبقهبندي شدهاند افزایش یافته است. این افزایش تعداد پیکسلهاي صحیح نشان از بهبود دقت طبقهبندي با اعمال الگوریتم کرم شبتاب دارد.
در روش شبکه عصبی، دقت کلی طبقهبندي از ۸۱/۹۱ درصد در طبقهبندي بدون الگوریتم کرم شبتاب، به ۶۱/۹۵ درصد در طبقهبندي با اعمال الگوریتم رسید و در طبقهبندي ماشین بردار پشتیبان از ۳۳/۹۴ به ۹۳/۹۵ افزایش یافت و این بدین معنی است که الگوریتم کرم شبتاب دقت طبقهبندي را در هر دو روش بهبود داده است.
نتیجهگیری
در این مطالعه از دو روش طبقهبندي شبکه عصبی مصنوعی و ماشین بردار پشتیبان جهت استخراج نقشهی پوشش اراضی از تصویر ماهوارهاي سنجنده ASTER استفاده شده است. با انجام مقایسهی دقت طبقهبندي حاصل از روشهاي مبتنی بر شبکه عصبی مصنوعی و ماشین بردار پشتیبان مشخص گردید که روش ماشین بردار پشتیبان با ضریب کاپاي ۹۲۲۳/۰ نسبت به روش شبکه عصبی مصنوعی با ضریب کاپاي ۸۸۷۸/۰ دارای دقت بیشتري است. در این تحقیق پس از بررسی نتایج مربوط به طبقهبنديها این نتیجه حاصل شد که براي تصویر موردنظر، دقت طبقهبندي ماشین بردار پشتیبان به اندازه ۵۲/۲ درصد نسبت به طبقهبندي شبکه عصبی مصنوعی بهتر است. روشهاي جدید طبقهبندي با استفاده از هوش مصنوعی خصوصا الگوریتمهاي بهینهسازي، از دادههاي همسایگی هر پیکسل در تصویر به طور موثرتري استفاده میکند که پس از اجراي الگوریتم کرم شبتاب بر روي تصویر ملاحظه شد که دقت طبقهبندي روش ماشین بردار پشتیبان به میزان حدود ۸/۳ درصد و دقت طبقهبندي شبکه عصبی مصنوعی براي این تصویر به میزان حدود ۶/۱ درصد بهبود داده شده است. روش ماشینی یادگیری عمیق(Deep Learning) یکی از روشهای یادگیری ماشینی است که به رایانه میآموزد تا کارهایی که به طور طبیعی برای انسان اتفاق میافتد انجام دهند. پیشنهاد میشود که در آینده برای تست دقت طبقهبندی تصویر و مقایسه با روشهای فراابتکاری از روش یادگیری عمیق استفاده گردد.
منابع
1. Abbaspour-Gilandeh, Y., Sabzi, S., Benmouna, B., García-Mateos, G., Hernández-Hernández, J. L., & Molina-Martínez, J. M. (2020). Estimation of the constituent properties of red delicious apples using a hybrid of artificial neural networks and artificial bee colony algorithm. Agronomy, 10(2), 267.
2. Alavipanah, K, M, Masoudi.2001. Land use Mapping Preparation Using TM satellite imaging Data and GIS (A case Study: Mork region of Fars province Natural Resources and Agricultural Journal.
3. Arekhi Saleh and Adibnejad. Mostafa, 2011, Evaluation of the efficiency of support vector machine algorithms for land use classification using Landsat ETM+ satellite imagery (case study: Ilam Dam), Natural Resources Department, Agriculture Sciences Faculty, University of Ilam, Scientific Journal of Research Pasture and Desert of Iran, Volume 18, Number 3, Page 420-440. (In Persian).
4. Baban, S. J. and M. Wan Yusof. (2001) Mapping land use/ cover distribution on a mountainous tropical island using remote sensing and GIS, International Journal Remote Sensing, 22:10, 1909–1918.
5. Barrett, E.C, and Curtic, L. F (1992). Introduction to Environmental Remote Sensing, Chapman & Hall, London.
6. Chen, K., Zhou, Y., Zhang, Z., Dai, M., Chao, Y., & Shi, J. (2016). Multilevel image segmentation based on an improved firefly algorithm. Mathematical Problems in Engineering.
7. Chen, Q., Chen, Y., & Jiang, W. (2016). Genetic particle swarm optimization–based feature selection for very-high-resolution remotely sensed imagery object change detection. Sensors, 16(8), 1204.
8. Chen, X., Wang, J., Sun, D., & Liang, J. (2008, October). A novel hybrid Evolutionary Algorithm based on PSO and AFSA for feedforward neural network training. In 2008 4th International Conference on Wireless Communications, Networking and Mobile Computing (pp. 1-5). IEEE.
9. Jansen L. J.M. and A. Di Gregorio. (2004) Obtaining land-use information from a remotely sensed land cover map: results from a case study in Lebanon, International Journal of Applied Earth Observation and Geoinformation, 5: 141–157.
10. Hossieni, S. 2002. Investigation on ability of ETM+ satellite image Data for land use mapping preparation (A case Study: Mazandaran province, Chamestan region). Msc Thesis,Tehran University.
11. Hung, H. J., O'Neill, R. T., Bauer, P., & Kohne, K. (1997). The behavior of the p-value when the alternative hypothesis is true. Biometrics, 11-22.
12. Hussain, S. F., Pervez, A., & Hussain, M. (2020). Co-clustering optimization using Artificial Bee Colony (ABC) algorithm. Applied Soft Computing, 97, 106725.
13. Huang, J., Lu, J., & Ling, C. X. (2003, November). Comparing naive Bayes, decision trees, and SVM with AUC and accuracy. In Third IEEE International Conference on Data Mining (pp. 553-556). IEEE.
14. Kattan, A., & Abdullah, R. (2011, January). A parallel & distributed implementation of the harmony search based supervised training of artificial neural networks. In 2011 Second International Conference on Intelligent Systems, Modelling and Simulation (pp. 277-283). IEEE.
15. Karaboga, D., & Akay, B. (2009). A comparative study of artificial bee colony algorithm. Applied mathematics and computation, 214(1), 108-132.
16. Karnan, S. M. (2014). Medical image segmentation using firefly algorithm and enhanced bee colony optimization. Bonfring Int. J. Adv. Image Process, 316-321.
17. Lee, Y. J., & Mangasarian, O. L. (2001). SSVM: A smooth support vector machine for classification. Computational optimization and Applications, 20(1), 5-22.
18. Liu, L., Zhao, D., Yu, F., Heidari, A. A., Li, C., Ouyang, J., ... & Pan, J. (2021). Ant colony optimization with Cauchy and greedy Levy mutations for multilevel COVID 19 X-ray image segmentation. Computers in biology and medicine, 136, 104609.
19. Montana, D. J., & Davis, L. (1989, August). Training feedforward neural networks using genetic algorithms. In IJCAI (Vol. 89, pp. 762-767).
20. Omran, M. G. (2009). Using opposition-based learning with particle swarm optimization and barebones differential evolution. Particle Swarm Optimization, 23, 343-384.
21. Okwuashi, O., & Ndehedehe, C. (2017). Tide modelling using support vector machine regression. Journal of Spatial Science, 62(1), 29-46.
22. Pirra, M., & Diana, M. (2019). A study of tour-based mode choice based on a support vector machine classifier. Transportation Planning and Technology, 42(1), 23-36.
23. Poursaee, A. (2018). Application of agent-based paradigm to model corrosion of steel in concrete environment. Corrosion Engineering, Science and Technology, 53(4), 259-264.
24. Ren, Z., Liu, T., & Liu, G. (2021). Classification and discrimination of real and fake blood based on photoacoustic spectroscopy combined with particle swarm optimized wavelet neural networks. Photoacoustics, 100278.
25. Shataee, Sh and A, Abdi, 2007. Land use mapping preparation in Zagros mountain region using ETM+ satellite images Data (A case study: Sarkan Watershed of Lorestan). Natural Resources and Agricultural Sciences Journal: 1(4):129-138.
26. Shilane, D., Martikainen, J., Dudoit, S., & Ovaska, S. J. (2008). A general framework for statistical performance comparison of evolutionary computation algorithms. Information Sciences, 178(14), 2870-2879.
27. Slowik, A., & Bialko, M. (2008, May). Training of artificial neural networks using differential evolution algorithm. In 2008 conference on human system interactions (pp. 60-65). IEEE.
28. Socha, K., & Blum, C. (2007). An ant colony optimization algorithm for continuous optimization: application to feed-forward neural network training. Neural computing and applications, 16(3), 235-247.
29. Su, H., Cai, Y., & Du, Q. (2016). Firefly-algorithm-inspired framework with band selection and extreme learning machine for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(1), 309-320.
30. Vallada, E., & Ruiz, R. (2010). Genetic algorithms with path relinking for the minimum tardiness permutation flowshop problem. Omega, 38(1-2), 57-67.
31. Wang, X. J., Gao, L., & Zhang, C. Y. (2008, September). Electromagnetism-like mechanism based algorithm for neural network training. In International Conference on Intelligent Computing (pp. 40-45). Springer, Berlin, Heidelberg.
32. Wijaya, A., 2005, Application of Multi-Stage Classification to Detect Illegal Logging with the Use of MultiSource Data, MSc. Thesis, ITC, Enschede, The Netherlands.
33. Xie, H., Zhang, L., Lim, C. P., Yu, Y., Liu, C., Liu, H., & Walters, J. (2019). Improving K-means clustering with enhanced firefly algorithms. Applied Soft Computing, 84, 105763.
34. Yang, X. S. (2009, October). Firefly algorithms for multimodal optimization. In International symposium on stochastic algorithms (pp. 169-178). Springer, Berlin, Heidelberg.
35. Yang, X. S. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons.
36. Yang, X. S., & He, X. (2015). Swarm intelligence and evolutionary computation: overview and analysis. Recent advances in swarm intelligence and evolutionary computation, 1-23.
37. Yang, X. S., & Deb, S. (2010). Eagle strategy using Lévy walk and firefly algorithms for stochastic optimization. In Nature inspired cooperative strategies for optimization (NICSO 2010) (pp. 101-111). Springer, Berlin, Heidelberg.
Use of firefly meta-heuristic algorithm in improving the accuracy of satellite image classification, Case study: Rafsanjan
Abstract
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.
Keywords: Classification , Firefly , Artificial neural network, Support Vector Machine
استفاده از الگوریتم فراابتکاری کرم شبتاب در بهبود دقت طبقهبندي تصویر ماهوارهاي, مطالعه موردی: شهر رفسنجان
چکیده مبسوط
طرح مسئله
استخراج اطلاعات از تصاویر ماهوارهای در دهههای اخیر رشد چشمگیری داشته و در این راستا الگوریتمهای مختلفی جهت استخراج اطلاعات از تصاویر ماهوارهای معرفی شدهاند که هر کدام از این روشها مزایا و معایبی دارند. یکی از روشهای مهم در تفسیر تصاویر سنجش از دور، طبقهبندی تصاویر است که کاربرد زیادی در بررسی تغییرات زمین دارد. طبقهبندی و تهیه نقشه پوششی اراضی یکی از پرکاربردترین موارد در استفاده از دادههای سنجش از دور است. با استفاده از طبقهبندی میتوان عضویت یک پیکسل را به یک کلاس تعیین کرد. مسئله مهم, تعیین یک روش طبقهبندی با دقت مناسب برای تصاویر ماهوارهای با قدرت تفکیک مکانی بالا میباشد.
هدف:
هدف از این تحقیق، بهبود دقت طبقهبنـدي 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 طبقهبندي شبکه عصبی مصنوعی و ماشینهاي بـردار پشتیبان تصـویر موردنظر، طبقهبندي و نقشهي پوششی اراضی آن تهیه شد. سپس مقادیر دقت و ضریب کاپا براي این دو الگـوریتم محاسبه گردید. در این تحقیق از ترکیب الگوریتم بهینهسازی کرم شبتاب با روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای بهبود دقت طبقهبندی استفاده شده است. الگوریتم کرم شبتاب به عنوان یکی از الگوریتمهای جستجوی فراابتکاری که اخیراً پیشنهاد شده است، دارای قابلیت منحصر به فرد تقسیمبندی خودکار در مقایسه با سایر الگوریتمهای جستجو است.
روش تحقیق
با توجه به اینکه تصاویر سنجندهی استر(ASTER ) ماهوارهی ترا(TERRA) بر مبنای نیازهای زمینشناسی طراحی شده و از تفکیک طیفی خوبی در محدودهی مادون قرمز برخوردار است، برای انجام پژوهش از تصویر این سنجنده استفاده شد. در این مطالعه براي انجام پیشپردازشها و اجرای طبقهبندي از نرمافزار انوی ۳/۵ (ENVI5.3) و از نرمافزار گوگل ارث براي تشخیص نمونههاي آموزشی اسـتفاده گردیـد. همچنـین تصـویر سـنجندهي استر از ماهوارهي ترا مربوط به سال ۲۰۱۵ که داراي ۱۴ باند طیفی است به کار گرفته شد. در نهایت با استفاده از زبان برنامهنویسی پایتون الگوریتم کرم شبتاب نوشته شده و دقت طبقهبندی تصویر بررسی گردید.
نتایج و بحث
بعد از به دست آوردن تصاویر طبقهبندي براي دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از الگوریتم کرم شبتاب، براي تصویر ASTER و جداول ماتریس طبقهبندي مربوط به آنها، در نهایت جداول مربوط به صحت کلی و ضریب کاپا براي دو روش طبقهبندي با الگوریتم کرم شبتاب و بدون آن ارائه شده است.
دقت طبقهبندي در تصویر براي دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب ۸۱/۹۱ و ۳۳/۹۴ بدست آمد که نشان از برتري روش ماشین بردار پشتیبان نسبت به روش شبکه عصبی مصنوعی دارد.
در روش شبکه عصبی، دقت کلی طبقهبندي و ضریب کاپا از ۸۱/۹۱ درصد و ۸۸۷۸/۰ در طبقهبندي بدون الگوریتم کرم شبتاب، به ۶۱/۹۵ درصد و ۹۳/۹۱ در طبقهبندي با اعمال الگوریتم رسید و در طبقهبندي ماشین بردار پشتیبان از ۳۳/۹۴ درصد و ۹۲۲۳/۰ به ۹۳/۹۵ درصد و ۹۳۴۳/۰ افزایش یافت و این بدین معنی است که الگوریتم کرم شبتاب دقت طبقهبندي را در هر دو روش بهبود داده است.
با مقایسه این پژوهش با تحقیقهای دیگری که در این زمینه انجام شده است این مورد نمایان میشود که الگوریتمهای فراابتکاری از جمله ژنتیک، کلونی مورچهها، ازدحام ذرات و ... قابلیت افزایش دقت کلی و ضریب کاپا در تصاویر ماهوارهای را دارند. این افزایش به نوع روش طبقهبندی اولیه و نوع تصویر ماهوارهای هم بستگی دارد.
نتیجهگیری
با انجام مقایسهی دقت طبقهبندي حاصل از روشهاي مبتنی بر شبکه عصبی مصنوعی و ماشین بردار پشتیبان مشخص گردید که روش ماشین بردار پشتیبان با ضریب کاپاي ۰.۹۲۲۳ نسبت به روش شبکه عصبی مصنوعی با ضریب کاپاي ۸۸۷۸/۰ داراي دقت بیشتري است. در این تحقیق پس از بررسی نتایج مربوط به طبقهبنديها این نتیجه حاصل شد که براي تصویر موردنظر، دقت طبقهبندي ماشین بردار پشتیبان به اندازه ۵۲/۲ درصد نسبت به طبقهبندي شبکه عصبی مصنوعی بهتر است. پس از اجراي الگوریتم کرم شبتاب بر روي تصویر ملاحظه شد که دقت طبقهبندي روش ماشین بردار پشتیبان به میزان حدود ۳.۸ درصد و دقت طبقهبندي شبکه عصبی مصنوعی براي این تصویر به میزان حدود ۶/۱ درصد بهبود داده شده است.
واژگان کلیدی: طبقهبندی، کرم شبتاب، شبکه عصبی، ماشین بردار پشتیبان
Use of firefly meta-heuristic algorithm in improving the accuracy of satellite image classification, Case study: Rafsanjan
Abstract
Statement of the Problem
Data extraction from satellite images has grown significantly in recent decades, and in this regard, various algorithms for data extraction from satellite images have been introduced, each of which has advantages and disadvantages. One of the most important methods in interpreting remote sensing images is image classification, which has many applications in studying earth changes. Classification and preparation of land cover map is one of the most widely used cases in the use of remote sensing data. Classification can be used to determine the membership of a pixel in a class. An important issue is to determine an accurate classification method for satellite images with high spatial resolution.
Purpose
The aim of this study is to improve the classification accuracy of satellite imagery using a meta-heuristic algorithm. In this research, a new classification method based on firefly algorithm is introduced as a supervised learning algorithm. For this purpose, first, using two neural network classification algorithms and vector support machines, the desired image, classification and land use map were prepared. Then the accuracy and kappa coefficient values for these two algorithms were calculated. Firefly algorithm, as one of the recently proposed meta-heuristic search algorithms, has a unique feature of automatic segmentation compared to other search algorithms. In this research, a combination of firefly optimization algorithm with neural network method and support vector machine has been used to improve classification accuracy.
Methodology
Due to the fact that the ASTER images of the TERRA satellite are designed based on geological needs and have a good spectral resolution in the infrared range, the image of this sensor was used for research. In this study, ENVI 5.3 software and Google Earth software were used to perform pre-processing and classification to identify educational examples. The Aster sensor image of the 2015 Terra satellite, which has 14 spectral bands, was also used. Finally, using the Python programming language, the firefly algorithm was written and the image classification accuracy was improved.
Results and discussion
After obtaining classification images for two methods of artificial neural network and support vector machine using firefly algorithm, for ASTER image and related classification matrix tables, finally tables related to total accuracy and kappa coefficient for two The classification method is presented with and without firefly algorithm. The classification accuracy in the image for the two methods of artificial neural network and support vector machine was 91.81 and 94.33, respectively, which shows the superiority of the support vector machine method over the artificial neural network method. In the neural network method, the overall classification accuracy and kappa coefficient increased from 91.81% and 0.8878 in the classification without firefly algorithm to 95.61% and 0.9193 in the classification by applying the algorithm, and in the car classification. The support vector increased from 94.33% and 0.9223 to 95.93% and 0.9343, which means that the firefly algorithm has improved the classification accuracy in both methods.
Comparing this research with other researches that have been done in this field, it shows that metaheuristic algorithms such as genetics, ant colony, particle swarm, etc. have the ability to increase the overall accuracy and kappa coefficient in satellite images. have. This increase depends on the type of initial classification method and the type of satellite image.
Conclusion
By comparing the classification accuracy of the methods based on artificial neural network and support vector machine, it was found that the support vector machine method with kappa coefficient of 0.9223 is more accurate than the artificial neural network method with kappa coefficient of 0.8788. In this study, after reviewing the results related to the classifications, it was concluded that for the desired image, the classification accuracy of the support vector machine is 2.52% better than the classification of the artificial neural network. After executing the firefly algorithm on the image, it was observed that the classification accuracy of the support vector machine method has been improved by about 3.8% and the classification accuracy of the artificial neural network for this image has been improved by about 1.6%.
Keywords: Classification , Firefly , Neural network , Support Vector Machine
[1] Kappa coefficient
[2] Overall accuracy
