انتخاب ويژگي هوشمند فازي به منظور طبقه بندي رطوبت خاك

Intelligent Fuzzy-based Feature Selection for Soil Moisture Classification

علي رغم توانايي سنجش از دور در مشاهده مستقيم مقدار رطوبت خاك، غالبا راديانس اندازه گيري شده توسط سنجنده متاثر از پارامترهاي مختلف خاك و اتمسفر مي باشد. علاوه بر رطوبت خاك، تعداد زيادي از عوامل مانندپوشش گياهي، زبري سطح، دماي سطح خاك و بافت خاك بر شدت راديانس دريافتي سنجنده تاثيرگذار هستند. بنابراين، با توجه به اهميت انتخاب ويژگي هاي بهينه جهت شناسايي مقدار رطوبت خاك، مطالعه در مورد بكارگيري منطق فازي (Fuzzy-logic) جهت انتخاب ويژگي هوشمند محور اصلي اين تحقيق است. به طور روشن تر، ويژگي ها بر اساس اصل توسعه، به عنوان يك عدد فازي تعريف مي شوند.از سوي ديگر، با توجه به اين كه طبقه بندي يكي از روش هاي كسب اطلاعات از تصاوير سنجش از دوراست،در ادامه ويژگي هاي انتخاب شده به منظور طبقه بندي رطوبت خاك، در دو طبقه بندي كننده متداول (ماشين بردار پشتيبان ([1]SVM) و شبكه عصبي [2]MLP) استفاده مي شوند. توانايي رقابت اين دو طبقه بندي كننده با بهترين الگوريتم هاي يادگيري ماشين موجود، تاييد شده است. به عبارت ديگر، هدف اصلي اين مدل، انتخاب كمترين تعداد ويژگي براساس منطق فازي همراستا با افزايش دقت طبقه بندي رطوبت خاك مي باشد.روش پيشنهادي در اين تحقيق، جهت انتخاب ويژگي هاي بهينه به كار گرفته شد و دقت عملكرد آن در دو طبقه بندي كننده Fuzzy-SVM و Fuzzy-ANN، با استفاده از داده هاي جمع آوري شده از كشور ايران مورد ارزيابي قرار گرفت. جهت مقايسه دقت طبقه بندي رطوبت خاك با استفاده از ويژگي هاي انتخابي توسط مدل ارائه شده فازي، حالت ديگري نيز در نظر گرفته شد. در حالت دوم، سه ويژگي پوشش گياهي (NDVI)، دماي سطح خاك (LST) و توپوگرافي به عنوان ويژگي هاي منتخب جهت طبقه بندي در دو طبقه بندي كننده مذكور به كار برده شدند. دليل انتخاب اين سه ويژگي از ميان تمام ويژگي ها، تاثير عمده اي است كه اين سه ويژگي بر مقدار رطوبت سطح خاك دارند. نتايج به دست آمده بسيار دلگرم كننده بود و نشان داد كه با استفاده از الگوريتم انتخاب ويژگي پيشنهادي مي توان دقت طبقه بندي رطوبت خاك را حدودا 8% بهبود بخشيد.

Despite the capability of remote sensing to direct observation of soil moisture content, the radiances measured by sensors are usually affected by different soil and atmosphere parameters. Therefore, understanding the importance of selecting the optimal features for soil moisture recognition, the application of fuzzy logic to perform intelligent feature selection is a distinguished line of research. In the following, the selected features were used in two widely used classifiers (SVM (Support Vector Machine) and MLP (Multi-Layers Perceptron) artificial neural network) in order to soil moisture classification. These classifiers were found competitive with the best available machine learning algorithms. In other words, the main purpose of this model is to select the least number of features based on fuzzy logic aligning with increasing the accuracy of soil moisture classification. The proposed method was applied and validated using observations carried out for the Iran region. In order to compare the soil moisture classification accuracy using the features selected by fuzzy-based model, a different scenario was also considered. In the latter case, vegetation cover (NDVI), soil surface temperature (LST), and topography as selected features for soil moisture classification, were entered into the above-mentioned classifiers. The reason for choosing these three features among all the features is their significant effect on the amount of soil moisture. The results obtained were very encouraging and indicated about 8% improvement on soil moisture classification accuracy using the proposed feature selection method.