تو سعه وارزیابی یک روش خوشه بندی کر نل  پایه برای طبقه بندی تصاویر سنجش از دور ی قطبیده راداری با دریچه گشا یش  مصنو عی

عنوان پایان‌نامه

تو سعه وارزیابی یک روش خوشه بندی کر نل پایه برای طبقه بندی تصاویر سنجش از دور ی قطبیده راداری با دریچه گشا یش مصنو عی

دانشجو در تاریخ ۱۹ دی ۱۳۹۴ ، به راهنمایی ، پایان نامه با عنوان "تو سعه وارزیابی یک روش خوشه بندی کر نل پایه برای طبقه بندی تصاویر سنجش از دور ی قطبیده راداری با دریچه گشا یش مصنو عی" را دفاع نموده است.

رشته تحصیلی: مهندسی عمران- نقشه برداری- سنجش ازدور

مقطع تحصیلی: کارشناسی ارشد

محل دفاع: کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3165;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72659;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3165;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72659

تاریخ دفاع: ۱۹ دی ۱۳۹۴

دانشجو: هیفا تمیمی نیا

استاد راهنما: عبدالرضا صفری

چکیده

لینک فایل چکیده

امروزه ویژگی‌های خاص سنجنده‌های قطبیده راداری با دریچه گشایش مصنوعی از جمله قدرت تفکیک مکانی بالا و عدم وابستگی به شرایط نوری و آب و هوایی، آنها را به عنوان منابع ارزشمندی در زمینه فراهم ساختن اطلاعات برای پایش و تهیه نقشه پوششی زمین‌های کشاورزی مطرح کرده است. طبقه‌بندی به طور کلی به دو روش نظارت شده و بدون نظارت تقسیم می‌شود. در الگوریتم‌های نظارت شده جمع آوری داده‌های آموزشی با کیفیت و کمیت بالا برای مشاهده‌های چند زمانه و چند قطبشی مانند داده‌های قطبیده راداری فرآیندی زمان‌بر است و هزینه زیادی می‌طلبد. به دلیل این محدودیت‌ها، الگوریتم‌های بدون نظارت یا خوشه‌بندی که به نمونه‌های آموزشی نیاز ندارند، توسعه یافته‌اند. گرچه تا کنون روش‌های زیادی برای خوشه‌بندی پشنهاد شده است، کارایی این الگوریتم‌ها برای کلاس‌های مشابه به ویژه در طبقه‌بندی محصولات کشاورزی محدود می‌شود. در این پایان‌نامه از الگوریتم‌های خوشه‌بندی کرنل‌پایه برای طبقه‌بندی داده‌های قطبیده راداری محصولات کشاورزی استفاده شده است. علاوه بر آن، برای بهبود دقت نتایج الگوریتم بهینه‌سازی توده ذرات برای تعیین دقیق مقدار پارامتر کرنل، مراکز اولیه خوشه‌ها و انتخاب توصیفگرهای بهینه استفاده شد. به منظور ارزیابی و بررسی کارایی روش پیشنهادی، از داده‌های چند زمانه سنجنده UAVSAR در باند L که از یک منطقه کشاورزی نزدیک به شهر Winnipeg در کانادا برداشت شده بود، استفاده گردید. نتایج برتری دقت روش‌ پیشنهادی نسبت به الگوریتم‌های کلاسیک از جمله روش‌های سخت، فازی و امکانی (حدود 12%) را نشان می‌دهد. در ضمن، استفاده از الگوریتم بهینه‌ شده کرنل‌پایه فازی با کرنل شعاع مبنا 5% پیشرفت در کل را به همراه داشت. در میان توصیفگرهای مختلف، پارامترهای تجزیه آماری Cloude-Pottier بهترین دقت را در بر داشتند. گذشته از این، ارتباط قوی بین مولفه پراکنش حجمی تجزیه Freeman-Durden که به طور مستقیم با ساختار پوشش گیاهی مربوط است و مراحل رشد گیاه مشاهده گردید. واژه‌های کلیدی: خوشه‌بندی کرنل‌پایه، داده چند زمانه، داده‌های قطبیده راداری با دریچه گشایش مصنوعی، توصیفگرهای تجزیه قطبیده، طبقه‌بندی محصولات کشاورزی

Abstract

Challenges exist in balancing food supplies with the increasing demand from a growing population. In this regard, Polarimetric Synthetic Aperture Radar (PolSAR) sensors, thanks to their specific characteristics such as high resolution, weather and daylight independence, have become a valuable source of information for environment monitoring and management. SAR signals are sensitive to crop geometric structure (e.g. size, shape, orientation and distribution of leaves, stalks and fruits) and dielectric properties of the crop canopy, as well as soil characteristics (e.g. roughness and water content). In addition, some polarimetric variables and features can be generated. These polarimetric features enable us to physically interpret the scattering properties of targets. Consequently, the discrimination capability of observations acquired by these sensors can be used for agricultural land cover mapping. In addition, time series data sets that monitor growth stages play an important role in crop mapping. In general, classification can be realized by the means of two main categories of methods; supervised and unsupervised. Supervised algorithms require high quality and quantity training data for each class of land covers. However, providing this accurate and detailed knowledge requires homogenous areas containing enough samples. Therefore, collecting these training sets for multi polarization and temporal observations, such as PolSAR data, is costly and time-consuming. Because of these limitations, unsupervised techniques have been developed to eliminate the need to training data. However many clustering methods have been proposed, they are not efficient enough to distinguish between similar classes, especially in agricultural crop mapping. The aim of this thesis is to propose kernel-based clustering algorithms for agriculture crop mapping from PolSAR data. The kernel function, unlike the conventional partitioning clustering algorithms, simplifies the non-spherical and non-linearly patterns of data structure, in order to be clustered easily. In addition, in order to enhance the results, Particle Swarm Optimization (PSO) algorithm is used to tune the kernel parameters, cluster centers and optimum features selection. The efficiency of this method was evaluated by using multi-temporal UAVSAR L-band images acquired over an agricultural area near Winnipeg, Manitoba, Canada. The results demonstrate more accurate crop maps using the proposed method when compared to the classical approaches, (e.g. improvement in general). In addition, when the optimized fuzzy kernel-based classifier in the input space with RBF is used, greater improvement is observed in crop classification, e.g. in overall. Among different features, the Cloude-Pottier decomposition parameters provided the best accuracy. Furthermore, a strong relationship between Freeman-Durden volume scattering component, which is related to canopy structure, and phenological growth stages is observed. This fact demonstrates the potential these kind of polarimetric features for radar-only crop mapping application. Keywords: Kernel-based clustering, Multi-temporal data, Polarimetric SAR data, Polarimetric decomposition features, Crop mapping.