ارزيابي مدل‌هاي شبكه‌ عصبي و درخت تصميم ‌براي تشخيص مناطق ابري در تصاوير ماهواره نوآ بر روي گستره ايران

ارزيابي مدل‌هاي شبكه‌ عصبي و درخت تصميم ‌براي تشخيص مناطق ابري در تصاوير ماهواره نوآ بر روي گستره ايران

براي مطالعه سطح زمين با تصاوير ماهواره‌اي، طبقه‌بندي و تشخيص درست پيكسل‌هاي ابري امري ضروري به‌شمار مي‌آيد. از ميان روش‌هاي طبقه‌بندي موجود مي‌توان به مدل‌هاي شبكه عصبي و درخت تصميم در داده‌كاوي اشاره كرد كه الگوريتم‌هاي متعددي از اين دو دسته مدل، شكل گرفته و توسعه يافته‌اند. به‌منظور ارزيابي دقت اين مدل‌ها در طبقه‌بندي و انتخاب بهترين آنها، يازده الگوريتم از اين دو دسته مدل ارزيابي شدند. بدين منظور با انتخاب 40000 پيكسل با ويژگي‌هاي مناطق ابري، صاف، برفي و آب در چهار كلاس از تصاوير كاليبره شده ماهواره نوآ بر روي گستره ايران در فصول مختلف سال و با استخراج اطلاعات پنج باند نوآ محاسبه نسبت‌هاي باندي NDVI، نسبت بازتابندگي باند يك به بازتابندگي باند دو و اختلاف دماي درخشندگي باند پنج با دماي درخشندگي باند چهار و معرفي آنها به‌عنوان متغيرهاي ورودي، دقت هر يك از الگوريتم‌ها در طبقه‌بندي اين كلاس‌ها مقايسه شد. زمان اجراي سريع الگوريتم‌هاي درخت تصميم در مقايسه با اجراي كندتر الگوريتم‌هاي شبكه عصبي و شفاف بودن تصميمات گرفته شده در مدل‌هاي درخت تصميم از مزاياي اين دسته مدل‌هاي طبقه‌بندي است. در نهايت بعد از تشكيل ماتريس تطابق كه تعداد درستي و خطا در طبقه‌بندي پيكسل‌ها را نشان مي‌دهد، مشخص شد كه در بين يازده الگوريتم مورد مقايسه، الگوريتم درخت تصميم C5، با 43 مورد خطا در تشخيص پيكسل‌هاي ابري، با دقتي معادل 56/99 درصد داراي بهترين دقت در طبقه‌بندي است. نيز با توجه به مزاياي ذكر شده براي اين دسته مدل‌هاي طبقه‌بندي، C5 مناسب‌ترين الگوريتم براي طبقه‌بندي پيكسل‌هاي ماهواره‌اي و تشخيص پيكسل‌هاي ابري شناخته شد.