ارزيابي روش هاي طبقه بندي SAM و BEC براي تفكيك واحدهاي زمين شناسي

Comparison of Two Methods of Classification of SAM and BEC for the Separation of Geological Units

مسئله ي تهيه نقشه واحدهاي زمين شناسي در طي يك روند رو به بهبود ، امروزه به نقطه اي رسيده است كه آشكارسازي و طبقه بندي واحدهاي زمين شناسي به كمك سنجش از دور ابرطيفي انجام مي شود. در اين پژوهش با استفاده از تصوير فراطيفي سنجنده هايپريون، مربوط به منطقه خرم آباد واقع در استان لرستان ، و به كارگيري الگوريتم هاي طبقه بندي نظارت شده Spectral Angle Mapper و Binary Encoding Classification در تشخيص و تفكيك واحدهاي زمين شناسي صورت گرفته است. پس از انجام پيش پردازش هاي لازم، تبديلMNF و الگوريتم PPIبه ترتيب براي كاهش داده و استخراج پيكسل هاي خالص بر روي تصوير اعمال شد. از همپوشاني پيكسل هاي خالص با واحدهاي زمين شناسي و داده هاي زميني ، طيف ميانگين براي هر عضو استخراج گرديد سپس اين اعضاي خالص به عنوان ورودي جهت الگوريتم هاي ذكر شده فوق استفاده و طبقه بندي تصوير صورت پذيرفت. بررسي هاي ميداني انجام شده و نمونه برداري هاي زميني (در نقاط ارائه شده توسط روش نقشه بردار زاويه طيفي و BEC) مويد برتري روش SAM در تفكيك واحدهاي زمين شناسي است. در نهايت با بررسي صحت الگوريتم ها از طريق محاسبه ماتريس خطا ، دقت طبقه بندي هر روش به ترتيب براي SAM (68/83) و (32/60) BEC، مشخص گرديد كه در پايان الگوريتم SAM با دقت كلي 68/83به عنوان بهترين الگوريتم طبقه بندي معرفي گرديد.

The issue of mapping geological units during an evolving process has now reached a point where the detection and classification of geological units is carried out with the help of hyperspectral sensing. In this study, using hyperspectral image of Hyperion sensor, related to Khorramabad area in Lorestan province, using Spectral Angle Mapper and Binary Encoding Classification algorithms for detecting and separating geological units. After performing the necessary preprocesses, the MNF conversion and the PPI algorithm were applied, respectively, to reduce data and extract pure pixels on the image, respectively. From the overlapping of pure pixels with geological units and ground data, the average spectrum for each member was extracted. Then, these net members were used as inputs for the above-mentioned algorithms and image classification was performed. Field surveys and ground sampling (at the points provided by the spectral angle scanners and BEC) confirm the superiority of the SAM method in separating geological units. Finally, by checking the correctness of the algorithms by calculating the error matrix, the accuracy of the classification of each method for sam (68.83) and BEC (32.60) respectively, revealed that at the end of the algorithm SAM with a total accuracy of 68.83 was introduced as the best classification algorithm.