عنوان پایان‌نامه
ارائه وارزیابی یک روش طبقه بندی ترکیبی با استفاده از سر های زمانی تصا ویر قطبیده راداری
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3014;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69946
- تاریخ دفاع
- ۲۳ خرداد ۱۳۹۴
- دانشجو
- بهاره یکه خانی
- استاد راهنما
- عبدالرضا صفری
- چکیده
- پیشرفتهای نوین در توسعه سنجنده های قطبیده راداری در سالهای اخیر، موجب توجه ویژه بسیاری از پژوهشگران علوم زمین به این فنآوری سنجش از دوری شده است. ویژگی بارز دادههای قطبیده راداری با دریچه گشایش مصنوعی، عدم وابستگی این سنجندهها به شرایط آب و هوایی و امکان برداشت اطلاعات مهم از ساختار هندسی علاوه بر اطلاعات رادیمومتریکی از پدیده های زمینی است. در میان کاربردهای گوناگون این داده ها، شناسایی و طبقه بندی محصولات کشاورزی از مهم ترین موارد به شمار می آید. در این پژوهش ضمن بررسی مبانی قطبیدگی در دادههای تصویری قطبیده راداری با دریچه گشایش مصنوعی و توصیفگرهای آن ها، روشی مناسب برای استفاده از این داده ها در طبقه بندی محصولات کشاورزی ارائه شده است. در روش پیشنهادی، ابتدا پس از انجام پیش پردازش هایی بر روی این داده ها، توصیفگرهای مختلفی به کمک الگوریتمای تجزیه های آماری و فیزیکی استخراج شده است. این ویژگیها سپس به کمک الگوریتم ماشینهای بردار پشتیبان، به منظور تولید نقشه پوشش زمین و محصولات، طبقه بندی شدند. در این پژوهش هم چنین به بهینه سازی الگوریتم ماشین های بردار پشتیبان با استفاده از الگوریتم ژنتیک، مقایسه این روش بهینه سازی شده با دیگر روش های طبقه بندی کننده کلاسیک و نوین و مقایسه تعدادی از تجزیه های آماری و فیزیکی پرداخته شده است به منظور ارزیابی دقت و کارایی روش پیشنهادی، این روش بر روی داده های تمام قطبیده هوایی باند L از سنجنده UAVSAR پیاده سازی شد. سپس بهترین کرنل روش ماشین های بردار پشتیبان برای انجام طبقه بندی محصولات کشاورزی به دست آمد. هم چنین تأثیر چندزمانه بودن داده ها در دقت کلی طبقه بندی و مقایسه آن با انتخاب داده های آموزشی بیش تر، مورد بررسی قرار گرفت. در این پردازش ها روش طبقه بندی ماشین های بردار پشتیبان بهینه سازی شده با کرنل شعاع مبنا در سه زمان تصویربرداری بر روی توصیفگرهای تجزیه فیزیکی Freeman-Durden بهترین نتیجه را با دقت کلی %24/88 و ضریب کاپای 85/0 به دست آورد. واژه‌های کلیدی: تمام قطبیده راداری، طبقه بندی محصولات کشاورزی، ماشین های بردار پشتیبان، الگوریتم ژنتیک
- Abstract
- Thanks to the recent advancements in developing of polarimetric synthetic aperture radar (SAR) sensors, this field of remote sensing attracts the attention of many researchers in Geosciences. Among different applications of these data, identification and classification of crops are really important. In this research, besides analyzing SAR polarimetric basics and its features, a proper method is proposed for using these information in crops classification. In the proposed method, after applying preprocessing on the full-polarimetric data, different features by using statistical and physical decompositions are obtained. Then, the best kernel for the support vector machines (SVM) to classify crops is estimated. In addition, the effect of multi-temporal data on the overall accuracy of the classification in evaluated. Finally, the comparison with the use of more training data is done. Moreover, in this research, the SVM is optimized by use of genetic algorithm (GA). Then, the proposed hybrid classifier is compared with the classic and modern classifiers. These algorithms are applied on the extracted features from polarimetric decompositions. For evaluating the accuracy of the proposed method, this algorithm is applied on aerial full-polarimetric L-band SAR data taken by UAVSAR sensor over a intensive agricultural region in Winnipeg, Manitoba, Canada. In these processes, the optimized SVM with RBF kernel in three times of data acquisition is prior to other conditions and other classifiers by obtaining the overall accuracy of 88.24% and kappa coefficient of 0.85 on the features of the Freeman-Durden decomposition which is a physical decomposition. Keywords: full-polarimetric SAR, crop classification, support vector machines, genetic algorithm
