كليدواژه :
عمق سنجي , لندست- 8 , كلاسه‌بندي فازي , شبكه عصبي , جنوب شرقي درياي خزر
چكيده فارسي :
تصاوير سنجش از دور ابزاري مناسب جهت برآورد عمق در مناطق ساحلي است. در اين پژوهش، به منظور مطالعه مناطق كم عمق ساحلي، از تصاوير لندست-8 و دادههاي هيدروگرافي كه با روش اكوساندر جمع آوري شده استفاده شده است. هدف از اين پژوهش، عمق سنجي از نواحي جنوب شرقي ساحل درياي خزر از طريق آموزش شبكه عصبي است. تصحيح اتمسفري Dark Object Subtract (DOS)، تصحيح راديومتريكي (تبديل درجات روشنايي به بازتاب)، تصحيح درخشندگي خورشيد و در نهايت ماسك كردن مناطق آبي از مناطق خشكي، از جمله پيشپردازشهاي لازم است كه بر روي باندهاي آبيساحلي، آبي، سبز و قرمز تصوير لندست-8 اعمال شده است. در اين پژوهش برآورد عمق از طريق شبكه عصبي در دو حالت بررسي گردد. در حالت اول، هر يك از چهار باند به عنوان دادههاي ورودي و دادههاي عمق متناظر با هر يك از اين پيكسل ها به عنوان هدف به شبكه عصبي معرفي گرديد. و در حالت دوم، دادههاي عمق به روش ميانگين فازي، به شش كلاس تقسيم بندي شدند و اطلاعات هر كلاس بصورت جداگانه به شبكه ارائه شد. در هر دو حالت مورد بررسي، سهم دادههاي آموزشي، دادههاي اعتبارسنجي و دادههاي آزمون از دادههاي ورودي به ترتيب 60 درصد، 10 درصد و 30 درصد ميباشد. نتايج حاصل از شبكه عصبي نشان ميدهد كه دقت عمق برآورد شده در كلاسههاي مختلف، متفاوت است و بيشترين دقت ( RMSE =0.11و0.90 R2 =) و كمترين دقت ( RMSE =0.11و0.67 R2 =) به ترتيب به محدوده عمق هاي 97/3- تا 1/3- و 48/4- تا 4- اختصاص دارد. در حاليكه عمق برآورد شده از دادههاي كل (كلاسه بندي نشده) معادل R2 = 0.94و RMSE =0.16متر بدست آمد. از اين رو، با آموزش شبكه عصبي ميتوان به برآورد عمق از نواحي كم عمق ساحلي با دقت بالا پرداخت.
چكيده لاتين :
Remote sensing method known an appropriate tool for estimating depth in the coastal environment of the limited reaches. The purpose of this study is to measure the depth of the southeastern coast of the Caspian Sea through the training of the neural network. In order to estimate depth, Landsat-8 images and hydrographic data collected using the echosounder, have been used. Atmospheric correction of Dark Object Subtract (DOS), radiometric correction (turning digital number to reflection), the sun glint correction, and eventually masking the water body from the land area, applied on the coastal blue, blue, green and red bands. These steps known as pre-processing.
In this study, depth estimation through the neural network is investigated in two states. In the first case, each of the four bands as input and real depth corresponding to each of these pixels as target was introduced to the neural network. In the second case, the depth data were clustered to seven clusters by the fuzzy C-mean (FCM) method. After clustering, the data of each cluster was separately presented to the network. In both cases, the share of train data, validation data and test data from input data is 60%, 10% and 30%, respectively. The results of the neural network indicate that the accuracy of the estimated depth in various clusters is different, and the highest accuracy (R2 = 0.90, RMSE= 0.11) and the lowest accuracy (R2 = 0.67, RMSE= 0.11) belong to cluster (1) and cluster (3) respectively. As well as, the estimated depth in no clustered data, evaluated with high accuracy )R2 = 0.98, RMSE = 0.16).Then, neural network method is able to estimate depth from shallow coastal waters with high accuracy.
