Classification methods for remotely sensed data, 2nd ed

Ghorbani, Ardavan and Aslami, farnoosh and Tso, Brandt and Mather, Paul M (2016) Classification methods for remotely sensed data, 2nd ed. University of Mohaghegh Ardabili, Ardabil, Iran. ISBN 9786009626878

	Image (Cover) Book Cover.jpg Download (150kB)
	Text (Table of Contents) table pf content.pdf Download (573kB)

Official URL: http://www.uma.ac.ir

Abstract

Item Type:	Book
Persian Title:	روش‌های طبقه‌بندی داده‌های سنجش از دور - مولفان: برندت تسو، پول ام مادر؛ مترجمین: اردوان قربانی، فرنوش اسلمی
Persian Abstract:	ما اشیا را برای شناخت بهتر محیط پیرامون طبقه‌بندی می¬کنیم، و این کار را با کاهش تعداد پدیده¬ها به تعداد نسبتاً کمی از طبقات عمومی انجام می¬دهیم. به عنوان مثال، در یک پیاده¬رو ممکن است به گاوها، درختان، تراکتورها یا قوها اشاره کنید. آن‌چه در واقع انجام می¬دهید تشخیص یک شیء مشاهده شده و اختصاص آن به یک طبقه¬ و یا دادن یک نام به آن شیء است. زمانی ¬که یک پرنده¬ی بزرگ سفید، در حال شنا در یک کانال یا رودخانه، با منقار سیاه یا نارنجی می¬بینید، شما خصوصیات آن را با یک قو مقایسه می¬کنید و بنابراین آن را با همین عنوان شناسایی کرده و نام یا برچسب قو را به آن می¬دهید. باید مراقب باشیم که بین تعریف طبقات اشیا و شناسایی یا برچسب‌گذاری اشیا تمایز قائل شده و از سردرگمی بین دو مفهوم واژه¬ی طبقه‌بندی اجتناب شود تعریف گروه¬هایی از اشیا و اختصاص هر یک از اشیا به این طبقات. می‌توان از مثال قو برای مفاهیم دیگر نیز استفاده کرد. اول، شما باید مدلی از ویژگی¬های کلیدی یک قو داشته باشید، قبل از اینکه بتوانید آن را شناسایی کنید. احتمالاً در کودکی نام گروه¬ها و زیرگروه¬هایی از حیوانات، گیاهان و دیگر اشیا را فراگرفته¬اید. اکنون شما از این شناخت برای شناسایی و نام‌گذاری چیزهایی که می¬بینید و می¬شنوید استفاده می¬کنید. در ادبیات طبقه‌بندی، این روش تحت عنوان تعلیم نظارت شده نام¬گذاری شده است که پدیده¬های مورد نظر را به تعدادی از گروه¬های اولیه تقسیم می‌کند. مجموعه¬ی نمونه تحت عنوان داده‌های تعلیمی شناخته می‌شوند و این روش به عنوان طبقه‌بندی نظارت شده نامگذاری شده است. در حقیقت، این شناسایی، نظارت شده محسوب می‌شود چون فرض بر این است که طبقه‌بندی (تعریف گروه¬ها و مشخصات آن¬ها) قبل از اینکه اشیای ناشناخته شناسایی شوند تعریف شده¬اند. روش دیگر، تحت عنوان طبقه‌بندی نظارت نشده یا خوشه¬بندی ، نیز به‌طور گسترده استفاده می‌شود. در این روش، فرض بر این است که: 1) شناخت کمی درباره¬ی خصوصیات داده‌ها دارید، 2) می¬خواهید هر گروه طبیعی موجود در آن داده‌ها را تعیین کنید، و در این صورت، 3) آن¬ها می‌توانند از طریق پدیده¬های مورد نظر شناسایی شوند. در اصل، این فرآیند به استخراج داده وابسته است (و روش‌های نمایشی می‌توانند به‌طور قابل توجهی به فرایند کمک کنند) در حالی‌ که طبقه‌بندی نظارت شده استنتاجی است. این کتاب درباره¬ی شناسایی الگو برای داده‌های سنجش از دوری است. عبارت الگوشناسی را به این دلیل به جای طبقه‌بندی ترجیح می¬دهیم چون عبارت طبقه‌بندی می‌تواند گمراه کننده باشد، همان‌طور که در بالا نیز اشاره شد. گرچه، دو عبارت در این کتاب مورد استفاده قرار گرفته‌اند. یک الگو مجموعه‌ای از اندازه¬هایی است که یک شیء را می¬سازند و می‌توانند به¬ صورت یک بردار جبری از اندازه‌گیری¬ها توصیف شوند. به¬ عنوان مثال، قد و وزن یک شخص را می‌توان با بردار [50، 192] (به ترتیب، سانتی¬متر و کیلوگرم) نمایش داد. اگر روشی نظارت شده استفاده شود، الگو از طرق مختلف با اعضای این مجموعه¬ها که طبقات مورد نظر را تعریف می‌کنند مقایسه می‌شود، و الگوی مورد نظر به یکی از این طبقات اختصاص می¬یابد. می‌توان این روش را به¬ صورت استنتاجی توصیف کرد. ممکن است نوعی استراتژی خوشه¬بندی را برای تعیین هر گروه از الگوهای موجود در داده‌ها مورد استفاده قرار داد که بر اساس شباهت بین الگوها باشد. در مشاهدات زمینی صورت گرفته توسط سنجش از دور، اشیای برچسب خورده معمولاً پیکسل¬های منفرد یک تصویر چندطیفی یا ابرطیفی هستند. هر پیکسل توسط یک بردار الگو حاوی مجموعه‌ای از اندازه‌گیری¬ها، یکی در هر باند تصویر به‌علاوه¬ی اندازه‌گیری¬های احتمالی دیگر نظیر بافت نمایش داده می‌شود. اگر هر یک از باندهای طیفی توسط یک محور فضای چندبعدی (فضای ویژگی ) نمایش داده شود، پس پیکسل می‌تواند به¬ عنوان یک نقطه در فضا نشان داده شود. جهت سهولت بیشتر، فرض کنید تعداد ویژگی¬ها برابر با دو، و محور x بیانگر ویژگی اول و محور y بیانگر دومی باشد. بنابراین، پیکسلی با بردار ویژگی [5، 1] را می‌توان روی یک نمودار به ¬صورت یک نقطه با مختصات کارتزین [5، 1] نمایش داد. اکنون تصور کنید تمام پیکسل¬های تصویر دو باندی روی نمودار رسم شده باشند، و آن¬ها نزدیک به گروه¬های تعریف شده واقع شده¬اند. ما می‌توانیم این گروه¬ها را با خطوط یا منحنی‌هایی از هم جدا کنیم. این خطوط یا منحنی‌ها تحت عنوان مرزهای تصمیم¬گیری شناخته می‌شوند، چون مرز هر یک از گروه¬ها را نشان می¬دهند. اگر یک نقطه روی یک سمت مرز قرار بگیرد، برچسبی نظیر A می¬گیرد، در حالی‌ که اگر در سمت دیگر مرز واقع شود برچسب B خواهد گرفت. در مسائلی با ابعاد بالاتر، خطوط و منحنی‌ها تبدیل به ابرصفحه¬ها و ابرسطوح می‌شوند. بنابراین، مسئله¬ی برچسب‌گذاری می‌تواند به ¬عنوان مسئله¬ای که با تعیین ابرصفحه¬ها و ابرسطوح، یعنی نمایش مرزهای تصمیم¬گیری در یک فضای ویژگی چندبعدی، سروکار دارد به نظر برسد. الگوریتمی که موقعیت پیکسل را با توجه به مرزهای تصمیم¬گیری تعیین می‌کند، و بنابراین یک برچسب ویژه را به آن پیکسل اختصاص می‌دهد، قاعده¬ی تصمیم¬گیری نامیده می‌شود. واژه¬ی طبقه‌بندی کننده به‌طور گسترده به‌ عنوان یک کلمه¬ی مترادف برای عبارت قاعده¬ی تصمیم‌گیری استفاده می‌شود. استفاده از روش‌های الگوشناسی در سنجش از دور تاریخچه¬ای طولانی دارد. شاید مفسران عکس‌های هوایی اولین کاربران روش‌های تعیین اطلاعات موجود در عکس‌های اکتشافی بودند، و این روش‌ها توسعه یافتند و اهمیت روزافزونی، به‌ویژه در جمع¬آوری اطلاعات نظامی، پیدا کردند. چون ترکیب مغز-چشم انسان می‌تواند تصمیم¬گیری و قضاوت در مسائل پیچیده را در چند میلی¬ثانیه، با استفاده از تجربیات قبلی به¬ عنوان راهنما، انجام دهد. روش‌های اتوماتیک برای پردازش تصاویری که نشان دهنده¬ی الگوهای قابل پیش¬بینی هستند مناسب¬تر می‌باشند. روش‌های بسیاری در زمینه¬های مختلف نظیر شناسایی دست خط، مدیریت صنعتی، پزشکی، دارویی و جمع¬آوری اطلاعات نظامی توسعه یافته و مورد استفاده قرار گرفته‌اند. مشخصه¬ی اصلی داده‌های مشاهدات زمینی، حجم آن است. از این رو، روش‌هایی که می‌توانند در کاربردهای دیگر به‌ کار روند برای تجزیه و تحلیل داده‌های سنجش از دوری مناسب نیستند که به‌ دلیل نیازهای محاسباتی می‌باشد. اغلب بین ابعاد داده‌های سنجش از دوری و حجم داده‌های تعلیمی که در دسترس هستند اختلاف وجود دارد. جایی که داده‌های تعلیمی نسبت به ابعاد داده کم هستند، برآورد خصوصیات هر یک از طبقات تعلیمی دشوار می‌شود و ممکن است میزان خطا قابل توجه شود. این پدیده¬ی افزایش خطا با افزایش ابعاد داده را اغلب با نام اثر هیوز می¬شناسند. پیشرفت تکنولوژی سبب توسعه¬ی سریع در روش‌های الگوشناسی شده است، که موجب تشکیل قواعد تصمیم¬گیری رضایت‌بخش¬تر و جدید گشته است. برخی از این روش‌های جدید در عرصه¬ی سنجش از دور معرفی شده و نتایج دلگرم کننده¬ای به همراه داشته¬اند. از ویژگی¬های بیشتر کاربردهای سنجش از دور در سال¬های اخیر، استفاده از ترکیبات داده‌های حاصل از سنجنده¬های مختلف یا دوره‌های زمانی متفاوت، به¬علاوه¬ی دیگر داده‌های استخراج شده از پایگاه¬های داده‌های سیستم اطلاعات جغرافیایی (GIS ) می‌باشد. علاوه بر این، اطلاعات طیفی موجود در تصاویر سنجش از دور اغلب با اندازه‌گیری¬های حاصل از مقادیر بافت یا زمینه تکمیل می‌شوند. در مواردی که با منابع چندداده¬ای سر و کار داریم، مسئله¬ی اصلی افزایش قابل توجه هزینه¬ی محاسبات است. مسائل دیگر، نظیر مقیاس داده و اعتبار داده نیز باید مورد توجه قرار گیرند. امروزه جستجو جهت توسعه¬ی روش‌هایی برای استفاده¬ی کارآمد از داده‌های چندمنبعی جهت افزایش صحت طبقه‌بندی مورد توجه روزافزون قرار گرفته است. همواره باید به خاطر داشت که الگوریتم¬های رضایت‌بخش نمی‌توانند عدم وجود داده‌های تعلیمی یا تعریف کافی مسئله (تعداد و ماهیت طبقات متناسب با مقیاس مطالعه) را جبران کنند. بافت در واقع تغییر تن در داخل یک منطقه است. نمونه¬ای ساده که مفهوم را به‌خوبی روشن کند الگوی روی یک فرش است. اگر هر یک از الگوها را به‌طور کامل در نظر بگیریم، فرش می‌تواند به راحتی توصیف شود، اما اگر فرش را به ¬صورت مجموعه‌ای از واحدهای منظم مورد توجه قرار دهیم، مسئله¬ی توصیف خصوصیات آن دشوار¬تر می‌شود. در برخی موارد، جهت شناسایی و توصیف اشیاء، اطلاعات بافت کارا¬تر و مؤثر¬تر از اطلاعات تن به نظر می¬رسند و می‌توانند ویژگی¬های بافتی متناظر با انواع مختلف الگوها را برای بهبود کارایی طبقه‌بندی کننده توسعه دهند. اطلاعات زمینه¬ای نشان می¬دهند چطور شیء مورد نظر ممکن است تحت تأثیر همسایگانش قرار گیرد. در مورد طبقه‌بندی یک منطقه¬ی زراعی، یک پیکسل با برچسب «هویج» احتمالاً با پیکسل-هایی از همان طبقه محاط شده است تا پیکسل¬هایی نظیر «آب» یا «گندم». توانایی مدل¬سازی چنین رفتار زمینه¬ای می‌تواند سردرگمی در فرایند طبقه‌بندی را کاهش دهد. کتاب روش‌های طبقه‌بندی داده‌های سنجش از دور نوشته¬ی Brandt Tso و Paul M. Mather یکی از بهترین و جدیدترین (2009) منابع معتبر جهانی در زمینه‌ی طبقه‌بندی داده‌های سنجش از دور به شمار می¬رود. تصمیم به ترجمه¬ی این کتاب به دلیل تلاش¬های روزافزون استفاده از روش‌های جدید توصیف و برچسب‌گذاری پیکسل¬ها در یک تصویر سنجش از دوری در ایران و عدم وجود منبعی فارسی زبان در این زمینه بوده است. در حالی که تعدادی از کتاب¬های ارزشمند و البته کلی¬تر برای استفاده¬های دانشجویان دوره¬ی کارشناسی در دسترس است، امّا هیچ منبع منسجمی از اطلاعات پیشرفته و راهنمایی در حیطه¬ی الگوشناسی برای محققان و دانش¬آموختگان سنجش از دور وجود ندارد. امیدواریم که این نوشتار بتواند به افزایش شناخت تکنیک¬های الگوشناسی که اخیراً توسعه یافته کمک کند، و برای خوانندگان پلی ارتباطی بین ادبیات سنجش از دور و آمار، هوش مصنوعی و محاسبات فراهم کند. در فصل 1 مفاهیم بنیادین سنجش از دور در ناحیه‌ی نوری و میکروموج طیف الکترومغناطیس معرفی می‌شود. این فصل با هدف معرفی عرصه¬ی سنجش از دور به خوانندگانی که شناخت کمی در این حیطه دارند فراهم کرده است و شاید توجه خوانندگانی را که زمینه¬ی شناختی کافی از سنجش از دور دارند جلب نکند. در فصل 2 اصول الگوشناسی معرفی می‌شود. قواعد تصمیم¬گیری سنتی، شامل طبقه‌بندی کننده-ی نظارت شده¬ی حداقل فاصله ، حداکثر احتمال گوسین و تکنیک¬های خوشه¬بندی نظارت نشده همراه با روش‌های دیگر نظیر پردازش¬های فازی و درخت تصمیم¬گیری توضیح داده می‌شوند. همچنین، این فصل شمار مختصری از روش‌های کاهش بٌعد شامل تبدیلات اورتوگونال، ارزیابی صحت طبقه‌بندی، و اصول انتخاب داده‌های تعلیمی را نیز در برمی¬گیرد. در فصل 3 مدل¬ها و ساختارهای شبکه¬ی عصبی مصنوعی شامل پرسپترون چندلایه‌، نقشه¬ ویژگی خودسازمانده¬ی کوهنن ، انتشار روبه¬رو ، شبکه‌های هاپفیلد و شبکه‌های مبتنی بر تئوری رزونانس تطبیقی (ART ) توضیح داده می‌شوند. در فصل 4 ماشین¬های بردار پشتیبان یا SVMها معرفی می‌شوند. SVMها معرف پیشرفت¬های اخیر در جنبه¬های محاسباتی طبقه‌بندی تصویر هستند. تعدادی از این روش‌ها در این فصل ارائه شده-اند اما لازم است تحقیقات بیشتری صورت گیرد. فصل 5 با تکنیک¬های الگوشناسی مبتنی بر سیستم¬های فازی سروکار دارد. موضوعات اصلی این فصل ساخت قواعد فازی، توابع نقشه¬سازی فازی و فرایندهای تصمیم¬گیری مربوط می‌باشد. فصل 6 ارائه دهنده¬ی تعدادی از روش‌های استفاده از درخت¬های تصمیم¬گیری است. پیشرفت‌هایی نظیر بوستینگ و تولید جنگل تصادفی و غیره توضیح داده شده¬اند. فصل 7 مروری بر روش‌های کمّی¬سازی بافت تصویر، شامل تئوری فراکتال و چندفراکتال ، عرصه¬های تصادفی خودکاهنده (اتورگرسیو) ضربی، ماتریس هم رخداد سطح خاکستری، فیلترینگ دامنه¬ی فرکانس را ارائه می‌دهد. در فصل 8 تئوری و کاربرد میدان¬های تصادفی مارکف ارائه می‌شوند. کاربرد اصلی میدان¬های تصادفی مارکف، مدل‌سازی روابط زمینه¬ای است. موضوعات مرتبط دیگر، شامل تشکیل تابع، ترمیم تصویر، برآورد مطمئن در زمان وجود نوفه غیر¬معمول و استنتاج اندازه¬های بافتی مبتنی بر مارکف نیز ارائه شده است. فصل 9 روش‌های مختلف کار با داده‌های چندمنبعی را فراهم می‌کند. روش‌های توضیح داده شده شامل توسعه تئوری طبقه‌بندی بیسین ، استدلال مدرکی و میدان¬های تصادفی مارکف می‌باشد. هدف مترجمان بر آن بوده تا متن کتاب تا حد امکان روان و قابل فهم برای خوانندگان محترم باشد. اما انتخاب معادل فارسی برای جایگزینی بعضی از واژه¬های انگلیسی، یکی از چالش¬های اصلی پیش روی مترجمان این کتاب بوده است. به ¬دلیل جدید بودن بخشی از مطالب و همچنین سابقه¬ی استفاده از واژه¬های معادل در کتاب¬های ترجمه شده و یا تدوین شده در این کتاب، یافتن و نهایی کردن معادل فارسی برای بعضی از واژگان انگلیسی، خارج از بضاعت زبان‌شناسی مترجمان بوده است. از این رو در این کتاب واژه¬های انگلیسی که معادلی برای آن¬ها در زبان فارسی وجود نداشته، عیناً آورده¬ شده¬اند تا بتوان در آینده نزدیک با مشارکت خوانندگان و استفاده از دانش جمعی، معادل¬های فارسی مناسب برای واژه¬های انگلیسی پیشنهاد نمود. مترجمان این کتاب به‌خوبی می¬دانند که آن‌چه برگردان شده نه کامل است و نه بی‌عیب، اما اتفاق نظر دارند که همواره می‌توان کار را بهتر و کامل¬تر انجام داد و نمی‌توان ترجمه‌ی این اثر را به ¬امید کاری بدون نقص و کامل، به تأخیر انداخت. مترجمان با ابراز فروتنی در برابر خواننده‌ی فرهیخته و گرامی هرگونه انتقاد و پیشنهاد را به‌گرمی استقبال کرده و از نظرات اصلاحی اندیشمندان عزیز، در بهبود برگردان استفاده خواهند کرد. کتاب حاضر می‌تواند در چهارچوب برنامه‌ی درسی در دانشگاه¬ها برای رشته¬های مختلف به‌خصوص سنجش از دور و سیستم اطلاعات جغرافیایی در ارتباط با دروسی مانند سنجش از دور و سنجش از دور پیشرفته در مقاطع کارشناسی و کارشناسی ارشد و ... مورد استفاده قرار گیرد. اردوان قربانی و فرنوش اسلمی
Subjects:	Books
Divisions:	Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources Faculty of Agricultural Sciences & Natural Resources > Department of Natural Resources
Date Deposited:	19 Nov 2018 08:12
Last Modified:	19 Nov 2018 08:13
URI:	http://repository.uma.ac.ir/id/eprint/3045

Actions (login required)

View Item