طبقه بندی محصولات ظریف بر اساس تصاویر فراطیفی پهپاد و جنگل تصادفی

طبقه بندی تصاویر فراطیفی وسایل نقلیه هوایی بدون سرنشین در نظارت کشاورزی اهمیت زیادی دارد. این مقاله یک روش طبقه‌بندی خوب برای محصولات بر اساس تبدیل ویژگی همراه با جنگل تصادفی (RF) را مورد مطالعه قرار داد. با هدف مسئله تعداد زیادی طیف و مقدار زیادی محاسبه، سه روش تبدیل ویژگی برای کاهش ابعاد، کسر حداقل نویز (MNF)، تجزیه و تحلیل مؤلفه‌های مستقل (ICA) و تجزیه و تحلیل مؤلفه اصلی (PCA) مورد مطالعه قرار گرفتند. سپس، RF برای طبقه‌بندی دقیق انواع محصولات در تصاویر فراطیفی استفاده شد. نتایج نشان داد: (1) ترکیب MNF-RF بهترین ترکیب طبقه بندی ایده آل در این مطالعه بود. بهترین دقت طبقه بندی مجموعه نمونه تصادفی MNF-RF در مناطق Longkou و Honghu به ترتیب 97.18٪ و 80.43٪ بود. در مقایسه با تصویر اصلی، دقت طبقه بندی RF به ترتیب 6.43% و 8.81% بهبود یافته است. (2) برای این مطالعه، دقت طبقه‌بندی کلی RF در دو منطقه با تعداد نقاط نمونه تصادفی همبستگی مثبت داشت. (3) تصویر پس از تبدیل ویژگی کمتر تحت تأثیر تعداد نقاط نمونه نسبت به تصویر اصلی قرار گرفت. منحنی تبدیل MNF دقت طبقه‌بندی کلی RF در دو منطقه با تعداد نقاط نمونه تصادفی متفاوت بود، اما صاف‌ترین و کمترین تأثیر را از تعداد نقاط نمونه داشت، به دنبال تبدیل PCA و منحنی‌های تبدیل ICA. دقت طبقه بندی کلی MNF-RF در مناطق Longkou و Honghu به ترتیب از 0.50٪ و 3.25٪ با نوسان تعداد نقاط نمونه تجاوز نکرد.

کلید واژه ها:

تصویر فراطیفی هواپیمای بدون سرنشین ; طبقه بندی خوب محصولات ; تبدیل مشخصه ; جنگل تصادفی

1. مقدمه

طبقه بندی محصولات تحت حمایت فناوری سنجش از دور یکی از ابزارهای اصلی تحقق ارتقای توسعه کشاورزی است [ 1 ]. در مقایسه با سیستم‌های ابرطیفی هوانوردی فضایی و سرنشین‌دار، سیستم سنجش از دور فراطیفی پهپاد می‌تواند به طور همزمان تصاویر سنجش از دور با وضوح فراطیفی در سطح نانومتر و وضوح فضایی بالا در سطح سانتی‌متر به دست آورد که برای وضعیت فعلی ساختار کشاورزی چین مناسب‌تر است. [ 2 ، 3 ، 4 ، 5 ]. توسعه مداوم فناوری سنجش از دور فراطیفی، توسعه علم و فناوری کشاورزی را ارتقا داده است [ 6]. تصاویر فراطیفی پهپاد طیف وسیعی از کاربردها در تخمین عملکرد محصول، طبقه‌بندی تک گونه‌ها و پایش بیماری دارد، اما بسیاری از مطالعات بر روی تصاویر فراطیفی با وضوح فضایی پایین تمرکز کرده‌اند [ 7 ، 8 ، 9 ، 10 ].

تا به امروز، یک الگوریتم طبقه بندی بر اساس یادگیری عمیق برای طبقه بندی محصولات استفاده شده است [ 11 ، 12 ]، اما روش یادگیری عمیق دارای الزامات بالایی در تعداد نمونه است. تحت شرایط یک منطقه تصویر کوچک و تعداد کمی نمونه، کاربرد روش یادگیری عمیق در طبقه بندی خوب محصولات تا حد معینی محدود است [ 13 ]. در مقایسه با الگوریتم‌های یادگیری عمیق، جنگل‌های تصادفی دارای ویژگی‌های کارایی بالا، نمونه‌های کمتر مورد نیاز و دقت طبقه‌بندی بالا هستند و کاربردهای آن‌ها در نظارت بر محیط‌زیست، کاربری اراضی و غیره نتایج چشمگیری را به دست آورده‌اند [ 14 ، 15 ، 16 ، 17 ].]. هونگیان یانگ و همکاران برای طبقه بندی محصولات از الگوریتم طبقه بندی تصادفی جنگل استفاده کرد. دقت طبقه‌بندی به‌دست‌آمده بالا بود، اما دسته‌بندی‌های تحقیق کم بودند، بنابراین تعیین عملکرد الگوریتم طبقه‌بندی تصادفی جنگل در مورد دسته‌بندی‌های پیچیده‌تر و اطلاعات ویژگی دشوار بود [ 18 ].

تصاویر فراطیفی دارای باندهای زیاد و مقدار زیادی داده هستند و افزونگی اطلاعات زیاد بر کارایی عملیات طبقه بندی تأثیر می گذارد [ 19 ، 20 ]. هنگامی که تعداد نمونه های طبقه بندی کم باشد، باندهای اضافی نیز بر دقت طبقه بندی تأثیر می گذارند [ 13 ]. بنابراین، کاهش ابعاد با هدف مشکلات تعداد زیادی از طیف ها و مقدار زیاد محاسبه با استفاده از تبدیل ویژگی بسیار مهم است. زهرا دبیری و همکاران. به طور سیستماتیک مقایسه ای از تجزیه و تحلیل مؤلفه های مستقل (ICA)، تجزیه و تحلیل مؤلفه اصلی (PCA) و تبدیل کسری کمینه نویز (MNF) برای طبقه بندی شش گونه درختی با استفاده از تصاویر فراطیفی APEX [ 21 ] انجام داد.]. با این حال، هنوز مطالعات هدفمند کمی در مورد طبقه بندی محصولات مختلف بر اساس تبدیل های مختلف انجام شده است.

بنابراین، این مطالعه از داده‌های تصویر فراطیفی با وضوح فضایی بالا از یک پهپاد استفاده کرد و روش‌های تبدیل کاهش سه بعدی MNF، ICA و PCA را اتخاذ کرد. سپس از الگوریتم طبقه‌بندی جنگل تصادفی (RF) برای طبقه‌بندی انواع محصولات در شهر هونگهو، استان هوبی استفاده شد. هدف از این مطالعه به شرح زیر بود: اول، برای کشف ترکیب طبقه بندی بهینه و مطالعه اثر تبدیل ویژگی های مختلف بر دقت طبقه بندی تصاویر فراطیفی محصول. دوم، برای مطالعه ثبات دقت طبقه بندی ترکیب های طبقه بندی مختلف در مواجهه با نقاط نمونه تصادفی مختلف.

2. منطقه مطالعه و منبع داده

دو منطقه انتخاب شده برای این مطالعه هر دو در شهر Honghu، شهر Jingzhou، استان هوبی، چین واقع شده‌اند. شهر هونگهو در انتهای جنوب شرقی دشت جیانگهان واقع شده است و از 113 درجه 07 دقیقه تا 114 درجه و 05 دقیقه در شرق نصف النهار گرینویچ و 29 درجه و 39 دقیقه تا 30 درجه و 12 دقیقه در شمال خط استوا می باشد. آب و هوای نیمه گرمسیری مرطوب موسمی دارد. مقیاس کاشت محصول کوچک است و تکه تکه شدن زمین در دو منطقه مورد مطالعه رایج است [ 22 ]. موقعیت منطقه مورد مطالعه در شکل 1 نشان داده شده است .

مجموعه داده اصلی مورد استفاده در این مطالعه، مجموعه داده تصویر فراطیفی حمل شده توسط پهپاد (WHU-HI) است که شامل دو مجموعه داده فراطیفی منتقل شده از پهپاد جداگانه است: WHU-HI-Long Kou و WHU-HI-HongHu [ 23 ، 24]. تمام مجموعه داده ها در مناطق کشاورزی انواع مختلف محصول در شهر هونگهو از طریق سنسور Headwall Nano-Hyperspec نصب شده بر روی پلت فرم پهپاد به دست آمد و کلیه فرآیندهای پیش پردازش، مانند کالیبراسیون رادیومتری و تصحیح هندسی، در نرم افزار HyperSpec تکمیل شد. اندازه تصویر دو مجموعه داده به ترتیب 254.650 متر × 185.200 متر و 40.420 متر × 20.425 متر بود. 270 باند بین 400 تا 1000 نانومتر وجود دارد. وضوح فضایی دو مجموعه از تصاویر فراطیفی پهپاد به ترتیب 0.463 متر و 0.043 متر بود. مناطق Longkou و Honghu هر کدام شامل 9 نوع شی زمینی و 22 نوع شی زمینی بودند که در این میان محصولات به ترتیب 6 نوع و 18 نوع را شامل می شدند. برای جلوگیری از تداخل سایر اجسام زمین در طبقه بندی محصولات، طبقه بندی سایر اشیاء زمینی در همان زمان انجام شد. بررسی نوع واقعی زمین از منطقه مورد مطالعه نشان داده شده استشکل 2 .

3. روش تحقیق

مسیر اصلی تحقیق این مطالعه به شرح شکل 3 است : تبدیل ویژگی های MNF، PCA و ICA با استفاده از مجموعه داده های WHU-HI انجام شد و سپس مجموعه های نمونه تصادفی با استفاده از نتایج سه تبدیل ویژگی انتخاب شدند. هفت مجموعه نمونه تصادفی از Train25–Train300 انتخاب شد و سپس طبقه‌بندی تصادفی جنگل انجام شد. در نهایت، ارزیابی دقت و مقایسه پایداری بر روی نتایج طبقه‌بندی انجام شد.

3.1. استراتژی اکتساب نمونه و روش ارزیابی دقت

نمونه ها می توانند اطلاعات ویژگی های عددی در مورد دسته ها را برای فرآیند طبقه بندی نظارت شده ارائه دهند و تعداد و توزیع نقاط نمونه تصادفی می تواند تأثیر زیادی بر نتایج طبقه بندی داشته باشد. بنابراین، انتخاب نمونه یک مرحله کلیدی در فرآیند طبقه بندی بعدی است. استراتژی اکتساب نمونه در این مطالعه، انتخاب تعداد معینی از نقاط تصادفی بود – یعنی به طور تصادفی تعداد مختلفی از نقاط نمونه تصادفی را انتخاب کرد که از 25 به 300 برای هر نوع شی زمینی افزایش می‌یابد (25، 50، 100، 150، 200). ، 250، 300) – برای تولید هفت مجموعه نمونه تصادفی (به عنوان Train25–Train300 نامیده می شود). در این مطالعه، از یک ماتریس سردرگمی برای ارزیابی دقت نتایج طبقه‌بندی استفاده شد.

3.2. تبدیل ویژگی

در این مطالعه، ابتدا تبدیل ویژگی انجام شد و بیشتر اطلاعات ویژگی تصویر اصلی در چند باند متمرکز شد و در نتیجه زمان پردازش فرآیند طبقه‌بندی بعدی را به طور قابل توجهی کاهش داد [ 25 ]. این مطالعه اثرات تبدیل‌های ویژگی مختلف، از جمله تبدیل PCA، تبدیل MNF و تبدیل ICA را مقایسه کرد. اصل اساسی تبدیل PCA این است که اطلاعات اصلی در داده های تصویر را در چند باند برای فیلتر کردن اطلاعات اضافی متمرکز کند تا پردازش طبقه بندی بعدی به راحتی انجام شود [ 26 ]. تبدیل MNF یک تبدیل خطی است که از روی هم قرار دادن دو تبدیل PCA ایجاد می شود [ 27]. تبدیل MNF نویز را از طریق ماتریس کوواریانس در تبدیل PCA تنظیم و متمایز می کند و سپس داده های سفید کننده نویز را تبدیل می کند. با در نظر گرفتن تأثیر نویز، زمانی که نویز در داده ها وجود داشته باشد، می توان به اثر تبدیل بهتری دست یافت [ 28 ، 29 ، 30 ]. تبدیل ICA می‌تواند داده‌های ابرطیفی را به اجزای مستقل تبدیل کند تا کشف و جداسازی نویز پنهان در تصویر، کاهش ابعاد، کاهش نویز، تشخیص ناهنجاری، طبقه‌بندی و استخراج اعضای انتهایی طیفی و ترکیب داده‌ها را بهتر انجام دهد [ 31 ].

در منحنی مقدار ویژه مربوط به تصویر تبدیل شده، با افزایش تعداد مقادیر ویژه، هر مقدار ویژه به تدریج کاهش می یابد تا زمانی که به یک ثابت معین همگرا شود. در این زمان، تصویر تبدیل شده به بهترین حالت می رسد، حالتی که حاوی حداکثر اطلاعات ممکن تحت تعداد مقادیر ویژه است. به همین دلیل، تصاویر باند پس از مقادیر ویژه مربوط به ثابت‌های همگرا را می‌توان برای جلوگیری از تأثیرگذاری بیش از حد اطلاعات باند اضافی بر فرآیند طبقه‌بندی بعدی، غربال کرد.

تبدیل MNF، PCA، و ICA بر روی داده های اصلی انجام شد. همراه با وضعیت نمایش اطلاعات باند پس از تبدیل ویژگی، اطلاعات ویژگی موثر بیشتر مورد بررسی قرار گرفت و بهترین تصویر تبدیل ایده آل بررسی شد. برای اطمینان از صحت کار انتخاب باند ایده آل، ابتدا از روش تحلیل مشتق برای غربالگری منحنی استفاده شد. هنگامی که مشتق منحنی 0 بود، مقادیر ویژه آن به یک مقدار پایدار همگرا می‌شوند و تعداد باندهای متناظر در این زمان، باند ایده‌آل از ابتدا تعیین شده بود. در اینجا عدد بر روی N تنظیم شد. دوم، کار تأیید انجام شد و اطلاعات تصویر در باند (N + 1) به طور جداگانه برای تأیید ارائه شد. اگر مقدار اطلاعات مربوطه کم بود،

3.3. اصل طبقه بندی کننده RF

طبقه بندی کننده RF که برای اولین بار توسط Breiman پیشنهاد شد، یک طبقه بندی ترکیبی است که با در نظر گرفتن درخت تصمیم به عنوان واحد اصلی و انجام یادگیری گروهی از طریق چندین ترکیب به دست می آید [ 32 ]. در کاربرد طبقه‌بندی تصویر سنجش از دور و تشخیص تغییر، نتایج تجربی بهتری نسبت به سایر الگوریتم‌های طبقه‌بندی به‌دلیل مزایای آن در دقت بالا، پارامترهای کم و استحکام قوی به دست آورده است [ 33 ].

اصل اساسی استخراج K زیرمجموعه نمونه از مجموعه نمونه آموزشی به روش بوت استرپ است. مقدار K معمولاً تعداد زیر مجموعه‌های نمونه مربوط به زمانی را می‌گیرد که خطای خارج از کیسه شروع به همگرایی می‌کند تا مدلی با بهترین دقت طبقه‌بندی و قابلیت تعمیم به دست آید. تعداد ویژگی های تصادفی برای تقسیم گره m معمولاً به عنوان در نظر گرفته می شود (M بعد بردار ویژگی است). با توجه به مقدار m، یک مدل درخت تصمیم برای زیر مجموعه های نمونه K ایجاد می شود. با طبقه بندی تمام نمونه هایی که باید طبقه بندی شوند، توالی نتیجه طبقه بندی می شود به دست آمده است. نتیجه طبقه بندی نهایی با رای اکثریت [ 32 ، 34 ] تعیین می شود. فرمول اصلی فرآیند تصمیم گیری طبقه بندی نهایی به شرح زیر است:

(1)

در فرمول، H(x) تصمیم طبقه‌بندی نهایی جنگل تصادفی، h _i (x) نتیجه طبقه‌بندی یک مدل درخت تصمیم واحد، Y نشان‌دهنده متغیر خروجی (متغیر هدف)، و I (.) نشان‌دهنده است. تابع نشانگر

مراحل اصلی طبقه بندی الگوریتم RF در این مطالعه به شرح زیر بود:

(1): ابتدا متغیرهای ویژگی m با استفاده از روش ریشه دوم از بین همه ویژگی‌ها انتخاب شدند.
(2): دوم، متغیرهای مشخصه m برای ایجاد یک درخت تصمیم برای نمونه تصادفی (Train25-Train300) استفاده شد.
(3): دو مرحله بالا K بار تکرار شد، یعنی K درخت تصمیم برای تشکیل یک جنگل تصادفی تولید شد.
(4): در نهایت با استفاده از نتایج تصمیم گیری هر درخت تصمیم، مقوله پیش بینی نهایی از طریق روش رای گیری تعیین شد.

در فرآیند طبقه‌بندی واقعی با استفاده از طبقه‌بندی کننده RF، تعداد درختان N و تعداد متغیرهای ویژگی تصادفی انتخاب شده M، عوامل اصلی تعیین‌کننده دقت طبقه‌بندی هستند [ 35 ، 36 ]. از طریق اشکال زدایی پارامترهای چندگانه و تجزیه و تحلیل مقایسه ای آزمایش های طبقه بندی، تعداد درخت های تصمیم 100 تعیین شد و تعداد متغیرهای ویژگی به طور تصادفی انتخاب شده جذر تعداد باندهای هر تصویر برای طبقه بندی بود.

4. نتایج و تجزیه و تحلیل

4.1. تبدیل ویژگی

شکل 4 منحنی مشخصه تبدیل MNF را نشان می دهد. مقادیر مشتق منحنی ها در مناطق Longkou و Honghu زمانی که تعداد مقادیر ویژه 18 است 0 بود. مقادیر ویژه مربوطه به ترتیب 2.45 و 1.52 بودند، و تغییرات ارزش ویژه تمایل به پایداری داشتند.

همانطور که در منحنی های شکل 5 نشان داده شده است، منحنی های تبدیل PCA مقدار ویژه دو ناحیه به ترتیب در باندهای 12 و 8 همگرا شدند. شکل 6 وضعیت نمایش اطلاعات تصویر مربوط به هر باند تبدیل شده (N + 1) را نشان می دهد. اطلاعات کمی پس از 18 باند تبدیل MNF در این دو منطقه وجود داشت، بنابراین باندهای ایده آل بهینه برای تبدیل MNF در دو منطقه هر دو 18 باند بود. به طور مشابه، باندهای ایده آل بهینه برای تبدیل PCA در مناطق Longkou و Honghu به ترتیب 12 باند و 8 باند بودند و باندهای ایده آل بهینه برای تبدیل ICA به ترتیب 18 باند و 44 باند بودند. شکل 7 یک تصویر رنگی است که از سه جزء اول هر تبدیل تشکیل شده است.

4.2. ارزیابی دقت

ارزیابی نهایی دقت در جدول 1 و جدول 2 نشان داده شده است که نشان می دهد دقت طبقه بندی دو منطقه تحت تأثیر عوامل زیادی قرار گرفته است.

در این مطالعه، تعداد دسته‌ها و وضوح مرزهای دسته‌بندی بر دقت طبقه‌بندی تأثیر داشت. منطقه Longkou دسته‌های کمتر و مرزهای واضح‌تری بین دسته‌ها داشت و بالاترین دقت طبقه‌بندی مجموعه نمونه تصادفی 97.18٪ بود که 6.12٪ بیشتر از بهترین دقت کلی 91.06٪ برای الگوریتم طبقه‌بندی RF مشابه با تنها چهار کاشت بود. 18 ]. از سوی دیگر، منطقه هونگهو دارای دسته‌بندی‌های فراوان و اطلاعات ویژگی‌های پیچیده بود و بالاترین دقت طبقه‌بندی مجموعه نمونه تصادفی 80.43 درصد بود.

ویژگی تبدیل MNF این است که دو تبدیل PCA با در نظر گرفتن تأثیر نویز انجام می شود، که در شرایط پیچیده تر، مزایای قابل توجهی دارد. دقت طبقه‌بندی مجموعه‌های نمونه تصادفی مختلف در دو منطقه نشان داد که ترکیب MNF-RF دارای دقت طبقه‌بندی بالاتری نسبت به سایر ترکیب‌های طبقه‌بندی است. برای مجموعه‌های نمونه تصادفی با تعداد نقاط نمونه مشابه، دقت طبقه‌بندی MNF-RF (95.66٪) در ناحیه Longkou بالاتر از تصویر اصلی (80.14٪) با حداکثر بهبود 15.52٪ و MNF بود. دقت طبقه بندی RF (71.91٪) در منطقه Honghu بالاتر از سایر ترکیبات طبقه بندی (54.48٪)، با حداکثر بهبود 17.42٪ بود.

اثر طبقه‌بندی تصویر تبدیل PCA و تبدیل ICA تا حد زیادی تحت‌تاثیر اطلاعات دسته‌بندی منطقه مورد مطالعه قرار می‌گیرد. برای منطقه Longkou، جایی که اطلاعات دسته نسبتاً ساده بود، دقت طبقه‌بندی RF تصویر پس از تبدیل ویژگی بالاتر از تصویر اصلی بود. با مقایسه دقت طبقه‌بندی مجموعه‌های نمونه تصادفی مختلف در جدول 1 ، دقت طبقه‌بندی تبدیل PCA ایده‌آل‌تر از تبدیل ICA بود. اطلاعات طبقه بندی در منطقه هونگهو نسبتا پیچیده بود. در جدول 2دقت طبقه‌بندی تصویر پس از تبدیل MNF بیشتر از تصویر اصلی بود، اما دقت تصاویر پس از تبدیل PCA و ICA کمتر از تصویر اصلی بود. علاوه بر این، به دلیل اینکه نقاط نمونه مجموعه نمونه تصادفی به صورت تصادفی انتخاب شدند، مزایای تبدیل ICA و PCA آشکار نبود. به طور خلاصه، بهترین ترکیب طبقه بندی برای مجموعه های نمونه تصادفی در دو منطقه به عنوان ترکیب MNF-RF تعیین شد و بهترین اثر طبقه بندی دو منطقه در شکل 8 نشان داده شده است .

4.3. مقایسه ثبات

همانطور که در شکل 9 نشان داده شده است ، منحنی های دو ناحیه نشان دهنده ویژگی های زیر است. دقت طبقه بندی کلی با نوسان تعداد نقاط نمونه تصادفی همبستگی مثبت داشت. دقت طبقه‌بندی کلی طبقه‌بندی RF پس از تبدیل ویژگی روند ملایم‌تری را با تعداد نقاط نمونه نسبت به تصویر اصلی نشان داد و کمتر تحت تأثیر تعداد نقاط نمونه قرار گرفت. منحنی‌های MNF-RF در هر دو شکل صاف‌ترین منحنی‌ها بودند، که نشان می‌دهد MNF-RF کمترین تأثیر را از تعداد نقاط نمونه تصادفی دارد و به دنبال آن PCA-RF و ICA-RF قرار دارند. نوسانات دقت طبقه بندی کلی MNF-RF در دو منطقه به ترتیب کمتر از 0.50٪ و 3.25٪ بود.

5. نتیجه گیری ها

نقشه‌برداری دقیق طبقه‌بندی محصولات، مبنای مهمی برای مدیریت تولید کشاورزی، سیاست‌گذاری کشاورزی و ایمنی مواد غذایی است و می‌تواند اطلاعات مرجع لازم را برای تصمیم‌گیری کشاورزی فراهم کند. تحقق طبقه بندی کارآمد و دقیق محصولات، یک گام کلیدی برای بهینه سازی ساختاری و تدوین برنامه مدیریت است. امید است روش ها و ایده های پژوهشی این پژوهش بتواند مرجعی برای توسعه و تعدیل ساختاری کشاورزی دقیق در سایر کشورها باشد.

در این مطالعه، ترکیب MNF-RF که برتر از ترکیبات ICA-RF و PCA-RF بود، بهترین ترکیب طبقه بندی در کاربرد عملی بود. بهترین دقت طبقه بندی مجموعه نمونه تصادفی MNF-RF در دو منطقه به ترتیب 97.18٪ و 80.43٪ بود که 6.43٪ و 8.81٪ بیشتر از دقت طبقه بندی RF تصویر اصلی بود.

تبدیل MNF تأثیر نویز در تصاویر فراطیفی پهپاد را تا حد زیادی در نظر می گیرد و در مواجهه با تعداد متفاوتی از نقاط نمونه تصادفی از پایداری بالایی برخوردار است. بنابراین، در حالی که منحنی دقت طبقه‌بندی کلی RF با تعداد نقاط نمونه تصادفی در دو منطقه تغییر کرد، منحنی تبدیل MNF ملایم‌ترین بود. دقت طبقه بندی کلی MNF-RF در مناطق Longkou و Honghu به ترتیب کمتر از 0.50٪ و 3.25٪ با نوسان نقاط نمونه متفاوت است.

در نتیجه، استفاده از ترکیب طبقه‌بندی MNF-RF برای انجام طبقه‌بندی محصولات خوب با استفاده از داده‌های تصویر فراطیفی پهپاد امکان‌پذیر است. در استفاده واقعی، طبقه‌بندی ترکیبی MNF-RF می‌تواند برای انتخاب نقاط نمونه تصادفی کمتری برای تکمیل طبقه‌بندی دقیق محصولات با دقت، دقت و پایداری بالا استفاده شود. این امر حجم کار نمونه برداری را کاهش می دهد، کارایی را تا حد زیادی بهبود می بخشد و باعث صرفه جویی در نیروی انسانی و منابع مادی می شود.

در کارهای تحقیقاتی آینده، تأثیر ترکیب‌های طبقه‌بندی مختلف و تعداد نمونه‌های تصادفی بر دقت طبقه‌بندی فردی هر محصول را می‌توان روشن کرد. در ادامه کار، می‌توانیم عملکرد طبقه‌بندی RF را با شبکه‌های عصبی و ماشین‌های بردار پشتیبان با استفاده از همان تبدیل‌هایی که با طبقه‌بندی کننده RF استفاده می‌شود، مقایسه کنیم.

منابع

Weiguang، G. تمرین و کاربرد فناوری اطلاعات در کشاورزی دقیق – بررسی فناوری سنجش از دور در ارتفاع پایین و کاربرد آن در کشاورزی دقیق. چانه. جی. آگریک. منبع. Reg. طرح. 2021 ، 42 ، 144-152. [ Google Scholar ]
کای، ی. گوان، ک. پنگ، جی. وانگ، اس. سیفرت، سی. واردلو، بی. Li، Z. یک سیستم طبقه‌بندی با کارایی بالا و در فصل انواع محصولات در سطح مزرعه با استفاده از داده‌های سری زمانی Landsat و رویکرد یادگیری ماشین. سنسور از راه دور محیط. 2018 ، 210 ، 35-47. [ Google Scholar ] [ CrossRef ]
وی، ال. یو، م. ژونگ، ی. ژائو، جی. لیانگ، ی. Hu, X. همجوشی فضایی- طیفی بر اساس میدان‌های تصادفی شرطی برای طبقه‌بندی دقیق محصولات در تصاویر سنجش از دور ابرطیفی پهپاد. Remote Sens. 2019 , 11 , 780. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چینگژان، ز. پینگ، جی. Xuewen، W. لیهونگ، ز. Jianxin، Z. طبقه بندی حفاظت از گونه های درختان جنگلی بر اساس داده های فراطیفی پهپاد. ترانس. چانه. Soc. کشاورزی ماخ 2021 ، 52 ، 190-199. [ Google Scholar ]
هوی، ال. جینگ، اچ. Junjie, L. پایش بیماری سوختگی تاج ذرت بر اساس روش فراطیفی پهپاد. Spectrosc. طیف مقعدی 2020 ، 40 ، 1965-1972. [ Google Scholar ]
پاسکوچی، اس. پیگناتی، اس. کاسا، آر. درویش زاده، ر. Huang, W. شماره ویژه “سنجش از راه دور فراطیفی کشاورزی و پوشش گیاهی”. Remote Sens. 2020 , 12 , 3665. [ Google Scholar ] [ CrossRef ]
فی، اس. یو، ایکس. لان، ام. لی، ال. Xia، X. او، ز. Xiao, Y. تحقیق در مورد تخمین عملکرد گندم زمستانه بر اساس سنجش از دور فراطیفی و روش یادگیری گروهی. علمی کشاورزی گناه 2021 ، 54 ، 3417-3427. [ Google Scholar ]
لیو، ی. ژانگ، جی. وانگ، ایکس. ژو، سی. یانگ، ز. وو، ایکس. Zhang, J. مطالعه طبقه بندی Mikania micrantha kunth از انتخاب باند تصویر فراطیفی پهپاد. گاو نر Surv. نقشه 2020 ، 4 ، 34-39. [ Google Scholar ] [ CrossRef ]
لی، پی. ژانگ، ایکس. وانگ، دبلیو. ژنگ، اچ. یائو، ایکس. زو، ی. کائو، دبلیو. چنگ، تی. ارزیابی اسکن لیزری زمینی و سنجش از دور فراطیفی برای تخمین عملکرد دانه برنج. علمی کشاورزی گناه 2021 ، 54 ، 2965-2976. [ Google Scholar ]
لان، ی. زو، ز. دنگ، ایکس. لیان، بی. هوانگ، جی. هوانگ، ز. Hu, J. نظارت و طبقه بندی مرکبات Huanglongbing بر اساس سنجش از دور ابرطیفی پهپاد. ترانس. چانه. Soc. کشاورزی مهندس 2019 ، 35 ، 92-100. [ Google Scholar ]
اوکواشی، او. دستگاه بردار پشتیبان عمیق Ndehedehe، CE برای طبقه بندی تصاویر فراطیفی. تشخیص الگو 2020 , 103 , 107298. [ Google Scholar ] [ CrossRef ]
وانگ، سی. ژائو، کیو. ممکن است.؛ Ren, Y. شناسایی محصول سنجش از دور هواپیماهای بدون سرنشین بر اساس شبکه عصبی کانولوشنال. ترانس. چانه. Soc. کشاورزی ماخ 2019 ، 50 ، 161-168. [ Google Scholar ]
دو، پ. شیا، جی. زو، ز. تان، ک. سو، اچ. بائو، آر. بررسی طبقه بندی تصویر سنجش از دور فراطیفی. J. Remote Sens. 2016 ، 20 ، 236-256. [ Google Scholar ] [ CrossRef ]
نیش، ایکس. ون، ز. چن، جی. وو، اس. هوانگ، ی. Ma, M. برآورد سنجش از دور غلظت رسوب معلق بر اساس مدل رگرسیون جنگل تصادفی. Natl. سنسور از راه دور. 2019 ، 23 ، 756–772. [ Google Scholar ]
یانگ، ایکس. سو، اچ. لی، ما هوانگ، ال. وانگ، ایکس. Yan, X. تغییرات فصلی-فضایی در ناهنجاری‌های دمای زیرسطحی جهانی حاصل از ماهواره. Natl. سنسور از راه دور. 2019 ، 23 ، 997–1010. [ Google Scholar ]
وانگ، ال. کنگ، ی. یانگ، ایکس. خو، ی. لیانگ، ال. Wang, S. طبقه بندی کاربری زمین در مناطق کشاورزی بر اساس الگوریتم جنگل تصادفی بهینه سازی ویژگی. ترانس. چانه. Soc. کشاورزی مهندس 2020 ، 36 ، 244-250. [ Google Scholar ]
لی، اچ. وانگ، ال. Xiao، S. طبقه بندی جنگل تصادفی استفاده از زمین در مناطق تپه ای و کوهستانی جنوب چین با استفاده از داده های سنجش از دور چند منبعی. ترانس. چانه. Soc. کشاورزی مهندس 2021 ، 37 ، 244-251. [ Google Scholar ]
یانگ، اچ. دو، ج. روآن، پی. زو، ایکس. لیو، اچ. Wang, Y. طبقه بندی پوشش گیاهی استپ بیابانی بر اساس سنجش از دور وسیله نقلیه هوایی بدون سرنشین و جنگل تصادفی. ترانس. چانه. Soc. کشاورزی ماخ 2021 ، 52 ، 186-194. [ Google Scholar ]
هیوز، جی. در مورد دقت میانگین تشخیصگرهای الگوی آماری. IEEE Trans. Inf. نظریه 1968 ، 14 ، 55-63. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ریشتر، آر. رئو، بی. ویرث، سی. دکتر، دی. Vohland، M. استفاده از داده های ابرطیفی هوابرد برای طبقه بندی گونه های درختی در منطقه جنگلی اروپای مرکزی غنی از گونه ها. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 52 ، 464-474. [ Google Scholar ] [ CrossRef ]
دبیری، ز. لانگ، اس. مقایسه تجزیه و تحلیل مؤلفه مستقل، تجزیه و تحلیل مؤلفه اصلی، و تبدیل کسری کمینه نویز برای طبقه بندی گونه های درختی با استفاده از تصاویر فراطیفی APEX. ISPRS Int. J. Geoinf. 2018 ، 7 ، 488. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
سیجینگ، ی. چانگ کینگ، اس. فنگ، سی. لینا، ز. چانگشیو، سی. چائو، ز. جیانیو، ی. Dehai, Z. ارزیابی جامع بهره وری سلامت زمین و ارزیابی آزمایشی آن در چین. ترانس. چانه. Soc. کشاورزی مهندس 2019 ، 35 ، 66-78. [ Google Scholar ]
ژونگ، ی. هو، ایکس. لو، سی. وانگ، ایکس. ژائو، جی. Zhang، L. WHU-Hi: فراطیفی منتقل شده توسط پهپاد با مجموعه داده های معیار با وضوح فضایی بالا (H2) و طبقه بندی کننده برای شناسایی دقیق محصول بر اساس شبکه عصبی پیچیده عمیق با CRF. سنسور از راه دور محیط. 2020 , 250 , 112012. [ Google Scholar ] [ CrossRef ]
ژونگ، ی. وانگ، ایکس. خو، ی. وانگ، اس. جیا، تی. هو، ایکس. ژائو، جی. وی، ال. Zhang، L. سنجش از راه دور فراطیفی فراطیفی مینی پهپاد: از مشاهده و پردازش تا کاربردها. IEEE Geosci. سنسور از راه دور Mag. 2018 ، 6 ، 46-62. [ Google Scholar ] [ CrossRef ]
باجوا، س. کولکارنی، اس. داده کاوی فراطیفی. در سنجش از دور فراطیفی پوشش گیاهی ; CRC Press: لندن، بریتانیا، 2011. [ Google Scholar ]
Jolliffe, I. تجزیه و تحلیل مؤلفه اصلی. در دایره المعارف بین المللی علوم آماری ; Lovric، M.، Ed. Springer: برلین/هایدلبرگ، آلمان، 2011; صص 1094–1096. [ Google Scholar ]
گرین، آ. برمن، م. سوئیس، پی. Craig, M. تحولی برای سفارش داده های چندطیفی از نظر کیفیت تصویر با مفاهیمی برای حذف نویز. IEEE Trans. Geosci. Remote Sens. 1988 , 26 , 65-74. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هرسانی، JC; چانگ، سی.-آی. طبقه بندی تصویر فراطیفی و کاهش ابعاد: یک رویکرد طرح ریزی زیرفضای متعامد IEEE Trans. Geosci. Remote Sens. 1994 , 32 , 779-785. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Underwood، E. نقشه برداری گیاهان غیربومی با استفاده از تصاویر فراطیفی. سنسور از راه دور محیط. 2003 ، 86 ، 150-161. [ Google Scholar ] [ CrossRef ]
ناسیمنتو، جی. Bioucas-Dias، J. تجزیه و تحلیل اجزای راس: یک الگوریتم سریع برای مخلوط کردن داده های ابرطیفی. IEEE Trans. Geosci. Remote Sens. 2005 ، 43 ، 898-910. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Hyvarinen، A. الگوریتم های سریع و قوی نقطه ثابت برای تجزیه و تحلیل اجزای مستقل. IEEE Trans. شبکه عصبی 1999 ، 10 ، 626-634. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رودریگز-گالیانو، وی اف. قیمیر، بی. روگان، جی. چیکا اولمو، م. Rigol-Sanchez، JP ارزیابی اثربخشی طبقه‌بندی‌کننده تصادفی جنگل برای طبقه‌بندی پوشش زمین. ISPRS J. Photogramm. Remote Sens. 2012 ، 67 ، 93-104. [ Google Scholar ] [ CrossRef ]
ژانگ، ز. ژانگ، ایکس. شین، کیو. یانگ، ایکس. ترکیب روش‌های مبتنی بر پیکسل و شی‌محور برای تشخیص تغییر ساختمان با استفاده از تصاویر سنجش از دور با وضوح بالا. Acta Geod. کارتوگر. گناه 2018 ، 47 ، 102-112. [ Google Scholar ]
لیو، اس. جیانگ، کیو. یو، MA; شیائو، ی. Yuanhua، LI; Cui, C. طبقه بندی تالاب شی گرا بر اساس روش انتخاب ویژگی ترکیبی با ترکیب با رلیف F، الگوریتم ژنتیک چند هدفه و جنگل تصادفی. ترانس. چانه. Soc. کشاورزی ماخ 2017 ، 48 ، 119-127. [ Google Scholar ]
یون، او؛ هوانگ، سی. او، LI; لیو، کیو. لیو، جی. ژو، ز. Zhang, C. طبقه بندی پوشش زمین جنگل تصادفی بر اساس بهینه سازی ویژگی تصویر Sentinel-2A. منبع. علمی 2019 ، 41 ، 992-1001. [ Google Scholar ]

شکل 1. موقعیت منطقه مورد مطالعه.

شکل 2. ( الف ) نقشه بررسی انواع زمین واقعی در منطقه Longkou. ( ب ) نقشه بررسی انواع زمین های واقعی در منطقه Honghu.

شکل 3. نمودار جریان مطالعه.

شکل 4. ( الف ) منحنی مقدار ویژه تبدیل MNF ناحیه Longkou. ( ب ) منحنی مقدار ویژه تبدیل MNF ناحیه Honghu.

شکل 5. ( الف ) منحنی مقدار ویژه تبدیل PCA ناحیه Longkou. ( ب ) منحنی مقدار ویژه تبدیل PCA ناحیه Honghu.

شکل 6. ( الف – ج ) تبدیل MNF در 19 باند، تبدیل ICA در 19 باند، و تبدیل PCA در 13 باند، به ترتیب، در ناحیه Longkou. ( d – f ) تبدیل MNF در 19 باند، تبدیل ICA در 45 باند، و تبدیل PCA در 9 باند، به ترتیب، در منطقه Honghu.

شکل 7. ( a – c ) تصاویر ناحیه Longkou پس از تبدیل MNF، ICA و PCA، به ترتیب. ( d – f ) تصاویری از ناحیه Honghu پس از تبدیل MNF، ICA، و PCA، به ترتیب.

شکل 8. ( الف ) نتایج طبقه‌بندی مجموعه نمونه تصادفی در ناحیه Longkou. ( ب ) نتایج طبقه‌بندی مجموعه نمونه تصادفی در منطقه هونگهو.

شکل 9. ( الف ) تغییر دقت طبقه‌بندی کلی با تعداد نقاط نمونه تصادفی در ناحیه Longkou. ( ب ) تغییر دقت طبقه‌بندی کلی با تعداد نقاط نمونه تصادفی در منطقه هونگهو.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

طبقه بندی محصولات ظریف بر اساس تصاویر فراطیفی پهپاد و جنگل تصادفی