مقايسه ي روش هاي شبكه عصبي مصنوعي، ماشين بردار پشتيبان و درخت تصميم گيري در شناسايي ابر در تصاوير ماهواره اي لندست 8

Comparison of Methods of Artificial Neural Networks, Support Vector Machine and Decision Tree to Identify Clouds in Landsat 8 Satellite Images

مقاله­ ي پيش­رو به مقايسه­ ي سه روش ماشين بردار پشتيان،شبكه­ ي عصبي مصنوعي و درخت تصميم گيري با هدف شناسايي ابر مي‍پردازد. وجود ابر در تصاوير ماهواره­اي اپتيكي، پيش­ پردازش­ هاي راديومتريكي در كاربرد­هاي سنجش از دور را ايجاب مي­كند. معمولا شناسايي ابر در تصاوير ماهواره­اي با استفاده از روش­هاي طبقه ­بندي نظارت شده امكان پذير مي­ باشد. در اين مقاله تصاوير ماهواره­اي لندست 8 از دو منطقه­ ي واقع در رشته­ كوه­هاي البرز، با استفاده از سه روش شبكه­ ي عصبي مصنوعي، ماشين بردار پشتيبان (SVM) و درخت تصميم ­گيري طبقه­ بندي شده و كارايي اين سه روش از لحاظ دقت كلي، دقت توليد كننده ­ي ابر و برف و ميزان ضريب كاپا مقايسه گرديده است. در منطقه­ ي اول، دو روش شبكه­ ي عصبي و SVM، دقت كلي و دقت توليد كننده­ ي ابر بالاتري نسبت به روش درخت تصميم­ نشان داده و در منطقه­ ي دوم روش درخت تصميم قابليت بيشتري در شناسايي ابر داشته­ است. اين موضوع نشان دهنده ­ي آن است كه در منطقه­ ي اول، حد ­آستانه­ هاي به كار رفته در درخت تصميم، به خوبي ابر را مورد شناسايي قرار نمي­دهند. در حالي كه در منطقه­ ي دوم شاخص­ه اي ذكر شده در اين روش، از ميزان بالاتري برخوردار­اند. نتايج اين تحقيق نشان مي­دهد كه روش درخت تصميم مي­تواند به دقتي قابل مقايسه و يا بالاتر از روش­هاي داده كاوي (مثل شبكه­ ي عصبي وSVM ) دست پيدا كند و با اين وجود حد ­آستانه ­هاي به كار رفته در اين روش­ ممكن است براي همه­ ي مناطق مناسب نباشند. در مقابل، روش­هاي داده كاوي به خصوص روش SVM قابليت خوبي براي شناسايي انواع ابر در حالت طبقه­ بندي دو كلاسه از خود نشان دادند؛ اما افزايش تعداد كلاس­ ها مي­تواند دقت شناسايي ابر را در اين روش­ها كاهش دهد.

This article compares the physical and data mining techniques in cloud detection. Presence of Clouds in optical satellite images, requires radiometric pre-processing in remote sensing applications. Usually it is possible to identify clouds in satellite images using supervised classification. In this article Landsat 8 satellite images of two areas in Alborz Mountains, using artificial neural network, support vector machine (SVM) and decision tree were classified and performance of these three methods in terms of overall accuracy, cloud and snow producer accuracy and the kappa coefficient were compared. In the first area, neural network and SVM showed higher overall accuracy and cloud producer accuracy than decision tree and in the second area, decision tree showed better performance for cloud identification. This indicates that in the first area the thresholds used in the decision tree, do not detect clouds well. While in the second area indices listed before, show higher numbers. The results show that decision tree can achieve comparable to or higher accuracy in comparison to data mining techniques (such as neural networks and SVM), however thresholds used in this method may not be suitable for all areas. In contrast, data mining methods, especially SVM can identify different cloud types in two classes’ case, increase in the number of classes can reduce cloud detection accuracy in these methods