ارزيابي و بهبود عملكرد الگوريتم شبيه‏سازي تبريد به منظور تهيه نقشه پوشش اراضي در سطح زيرپيكسل با استفاده از تصاوير چندطيفي

Evaluating and Improving the Functionality of Simulated Annealing Algorithm for Sub-pixel Land Cover Mapping Using Multispectral Imagery

يكي از چالش‏هاي بسيار مهم در تهيه نقشه پوشش اراضي با استفاده از تصاوير سنجش از دور، مشكل مربوط به پيكسل‏هاي مخلوط است. با توسعه روش‏هاي تجزيه اختلاط طيفي و طبقه‏بندي‌كننده‏هاي نرم، امكان برآورد سهم كلاس‏ها در سطح زيرپيكسل فراهم مي‌آيد و برچسب‏هاي چندگانه به پيكسل‏ها اختصاص داده مي‏شود. با وجود اين، توليد نقشه پوششي در سطح زيرپيكسل نيازمند جانمايي مكاني زيرپيكسل‏ها است. در سال‏هاي اخير، روش‏هاي تهيه نقشه در سطح زيرپيكسل توسعه يافته‏اند و با استفاده از نتايج طبقه‏بندي‌كننده‏هاي نرم و بهره‏گيري از مفاهيم وابستگي مكاني، آرايش مكاني زيرپيكسل‏ها را بهينه‏سازي مي‏كنند.‏ در اين تحقيق، دقت كلي الگوريتم شبيه‏سازي تبريد براي تهيه نقشه پوششي در سطح زيرپيكسل مورد ارزيابي قرار گرفته و همچنين، مكانيزم جديدي در اين روش، براي توليد پاسخ‏هاي جديد در هر مرحله از الگوريتم پيشنهاد شده و با نتايج روش موجود مقايسه شده است. از ديگرسو، پارامترهاي موثر بر عملكرد الگوريتم مانند ضريب بزرگنمايي، نوع تابع خنك‏سازي و تكرارهاي ايستا و پويا در عملكرد الگوريتم بررسي شده‌اند. در فرايند ارزيابي دقت كلي الگوريتم، دو روش مستقل از خطاي طبقه‏بندي نرم و وابسته به اين خطا لحاظ شده است. براساس نتايج، افزايش ضريب بزرگنمايي موجب كاهش دقت الگوريتم شبيه‏سازي تبريد شده و همچنين، تابع خنك‏سازي هندسي به لحاظ دقت و زمان اجراي الگوريتم، به‌منزله تابع بهينه انتخاب شده است. از طرف ديگر، تكرارهاي پويا نيز، در مقايسه با حالت ايستا دقت بيشتري داشته است. روش پيشنهادي براي توليد پاسخ‏هاي جديد در الگوريتم شبيه‏سازي تبريد دستاورد مهم تحقيق به شمار مي‌آيد كه دقت كلي را به نسبت روش موجود، افزايش داده و همچنين، زمان اجراي الگوريتم را تا 50% كاهش داده است. بيشترين دقت كلي الگوريتم براساس روش پيشنهادي و مستقل از خطاي طبقه‏بندي نرم 97/94% برآورد شد.

The mixed pixels are considered as a major challenge in land cover mapping procedure from satellite imagery. Developments of the spectral unmixing and soft classification methods have provided the possibility for estimation of class proportions within the pixels. However, sub-pixel land cover mapping requires the spatial allocation of the sub-pixels. Recently, the Super Resolution Mapping (SRM) techniques have been developed for optimization of the sub-pixels spatial arrangement using the outputs of soft classifiers and based on the concepts of spatial dependency. In this research, the overall capability of the simulated annealing algorithm was evaluated through sub-pixel land cover mapping of the study area. To do so, a novel method was proposed for generating new solutions in each step of the algorithm and then the results were compared to the traditional method. On the other hand, the effective parameters on the performance of the algorithm (e.g. zoom factor, cooling function type, static and dynamic iterations) were investigated. According to the obtained results, higher values of zoom factor yields more promising overall accuracy . Also, the geometric function was found as the optimal cooling function with respect to the overall accuracy and processing speed. Meanwhile, dynamic iterations demonstrated more accuracy than the static case. As another key result of the paper, the proposed method for generating the new solutions in simulated annealing algorithm is led to increasing of the overall accuracy and also reducing the processing time of algorithm up to 50 percent. The most accurate result of the proposed algorithm, which was obtained for the that case of being independent from soft classifier, is determined 94.97 percent. Keywords: Land Cover, Sub-pixel, Soft Classification, Simulated Annealing, Cooling Function, Zoom Factor