ارزيابي صحت طبقه بندي داده هاي فراطيفي به روش ماشين بردار پشتيبان با به كارگيري الگوريتم هاي كاهش ابعاد داده

مجموعه داده هاي فراطيفي تصاويري با صدها باند طيفي فراهم مي كنند كه نسبت به ساير داده هاي سنجش از دوري مانندتصاوير پانكروماتيك و تصاوير چندطيفي، حاوي اطلاعات بيشتري هستند. اگر چه تصاوير فراطيفي دراي اطلاعات زيادي هستند اما پردازش اين تصاوير به دليل ابعاد زياد و افزونگي داده ها امري زمان بر است. پردازش اين حجم زياد از داده با ابعاد زياد ملزوم صرف وقت و هزينه زيادي خواهد بود لذا كاهش ابعاد داده بدون از دست دادن اطلاعات مهم داده ها، از اهميت ويژه اي برخوردار است. هدف از اين مطاله بهبود صحت طبقه بندي مجموعه داده فراطيفي سنجنده هاي Hyperion به روش ماشين بردار پشتيبان با به كارگيري الگوريتم هاي كاهش ابعاد داده است. بعد از اعمال تصحيحات راديومتريك داده ها مانندحذف خطوط جا افتاده تصوير و باندهاي نامطلوب، تصحيحات اتمسفري به روش FLAASH انجام شد. سپس استخراج گرديد و در ادامه جهت طبقه بندي طيفي اين داده ها از الگوريتم طبقه بندي ماشين بردار پشتيبان استفاده شد بعد اعمال الگوريتم هاي MNF, PCA و ICA جهت كاهش ابعاد داده ها و استخراج عضو نهايي داده ها از روي باند PPI، از الگوريتم SVM جهت طبقه بندي استفاده شد. روش SVM يكي از تكنيك هاي طبقه بندي نظارت شده تصاوير سنجش ازدوري است كه برمبناي تيوري يادگيري آماري است و به دليل نيازمندي به نمونه هاي آموزشي محدود و طبقه بندي با دقت بالا نسبت به رو شهاي سنتي، به طور گسترده اي در سنجش ازدور بكار گرفته مي شود. نتايج نشان داده است كه به كارگيري روش هاي كاهش ابعاد داده در مقايسه با استفاده از كل باندها در طبقه بندي مي تواند صحت كلي را افزايش دهد. بهترين نتايج به دست آمده براي اين مجموعه داده، مربوط به اعمال الگوريتم MNF بوده است كه صحت كلي را به ميزان 10/39 درصد بهبود بخشيده است.