طبقه بندي پوشش هاي جنگلي با استفاده از داده هاي شبيه سازي شده پلاريمتري فشرده و شبكه هاي يادگيري عميق

در دو دهه اخير از ميان مدهاي مختلف تصويربرداري تصاوير رادار با روزنه مجازي (SAR)، مد پلاريمتري فشرده (CP) بسيار مورد توجه واقع شده است. از جمله اين مزايا مي توان به كاهش پيچيدگي سيستم تصويربرداري، كاهش حجم و نرخ داده و همچنين عرض نوار برداشت بزرگتر اشاره نمود. وجود چنين مزايايي باعث مي شود كه اين داده ها براي پايش اهداف در مقياسي وسيع، به عنوان مثال طبقه بندي جنگل، مفيد واقع شوند. اكثر روش هاي ارائه شده براي طبقه بندي جنگل با استفاده از اين مد بر پايه استخراج ويژگي از تصور عمل مي كنند. دقت اين روش ها به تمايز ويژگي هاي استخراج شده بستگي دارد. در اين ميان، شبكه هاي يادگيري عميق مرحله استخراج ويژگي را تا حد زيادي خودكار نموده و به نتايج چشم گيري به خصوص در امر طبقه بندي دست يافته اند. در اين تحقيق قابليت شبكه هاي يادگيري عميق با استفاده از داده هاي CP در طبقه بندي جنگل مورد بررسي قرار مي گيرد. منطقه مطالعاتي در اين تحقيق جنگل پتاواوا واقع در ايالت آنتاريو كشور كانادا و داده هاي مورد استفاده داده هاي شبيه سازي شده CP، داده هاي تمام پلاريمتري (FP) و نيز داده هاي بازسازي شده از CP (PQ) اخذ شده از سنجنده رادارست – 2 در باند C هستند. شبكه عميق مناسب به منظور استخراج خودكار ويژگي ها طراحي شده و طبقه بندي بر روي داده هاي CP، FP و PQ انجام مي گيرد. نتايج حاصل از طبقه بندي مدها با يكديگر و همچنين با طبقه بندي كننده ويشارت و ماشين بردار پشتيبان (SVM) مقايسه و ارزيابي شدند. نتايج اين تحقيق نشان مي دهند كه استفاده از شبكه هاي يادگيري عميق، دقت حاصل از طبقه بندي را در بهترين مد CP به 82/01 % و در بهترين مد PQ به 82/68% مي رساند. دقت نتايج حاصل از روش پيشنهادي، در مدهاي pi/4، DCP و CTLR از مدهاي CP نسبت به روش SVM به ترتيب حدود 5%، 8% و 5% و نسبت به روش ويشارت به ترتيب 15%، 20% و 16% بهبود يافته است. هم چنين در مدهاي PQ_DCP و PQ_CTLR نيز نسبت به هر دو روش SVM و ويشارت افزايش دقت به چشم مي خورد.