ارزیابی دقیق

اگرچه روش‌های طبقه‌بندی تصاویر زیادی وجود دارد، اما هیچ کدام ذاتاً برتر از دیگری نیست. انتخاب یک روش مناسب بستگی به ماهیت مشکل طبقه بندی ، ویژگی‌های بیوفیزیکی منطقه مورد مطالعه ، توزیع داده‌های سنجش از دور و دانش قبلی دارد. علاوه بر این ، همه نتایج طبقه بندی تصویر قبل از استفاده در تحقیقات علمی و سیاستگذاری، تحت ارزیابی دقیق قرار می‌گیرند. ارزیابی صحت طبقه بندی تصویر به طور کلی شامل جمع آوری اطلاعات مرجع زمینی در تعدادی از مکان‌های نمونه، اغلب به عنوان محل آزمایش، در منطقه مورد مطالعه که نماینده هر طبقه پوشش زمین است ، می‌شود. معمولا به تحلیلگر تصویر نیاز دارد :

1. بسته به اندازه و پیچیدگی منطقه مورد مطالعه ، به طور تصادفی تعدادی سایت آزمون برای هر کلاس انتخاب کنید ، در حالت ایده آل پنجاه یا بیشتر در هر کلاس.
2. از این سایت‌های انتخابی تصادفی روی زمین بازدید کنید، کلاس‌های واقعی آنها را تعیین کنید و مکان‌های آنها را ثبت کنید (به عنوان مثال، با استفاده از GPS).
3. این سایتهای آزمایشی را در تصویر طبقه بندی شده قرار دهید و کلاسهای جلدی آنها را که توسط طبقه بندی کننده بدست آمده تعیین کنید.
4. ایجاد ماتریس خطا با استفاده از کلاسهای واقعی مشاهده شده از محلهای آزمایش (به عنوان مثال ، دادههای مرجع زمینی) و کلاسهای مشتق شده از آنها (یعنی دادههای طبقه بندی) .
5. اندازه گیری دقت بر اساس ماتریس خطا

ماتریس خطا نشان می‌دهد که آیا و تا چه حد طبقه‌بندی با مقایسه داده‌های طبقه‌بندی و داده‌های مرجع زمینی بر اساس طبقه به کلاس، کلاس‌ها را اشتباه می‌گیرد یا خیر. این ماتریس m × m است که m تعداد کلاس‌هایی است که دقت طبقه بندی آنها در حال ارزیابی است. هر ستون از ماتریس داده‌های مرجع زمین شناخته شده را نشان می‌دهد – تعداد سایت‌های آزمایشی که به هر کلاس در زمین اختصاص داده شده و در زمینه تأیید شده است. هر سطر داده‌های طبقه بندی را نشان می‌دهد – تعداد سایت‌های آزمایشی که در واقع به هر کلاس توسط طبقه بندی کننده بخش ۳-۵ نمونه ای از ماتریس خطا را ارائه کرد ( جدول ۳-۳ را ببینید) که بر اساس ۱۰۵۶ محل آزمایش در پوشش زمین ساخته شده است مطالعه طبقه بندی در ذخیره گاه طبیعی Jiuzhaigou ، چین توسط Zhu (2013) با استفاده از تصاویر TM انجام شد. چهار معیار دقت طبقه بندی که می‌توان از ماتریس خطا به دست آورد نیز در آن بخش مورد بحث قرار گرفته است. آنها شامل دقت کلی، دقت تولید کننده، دقت کاربر و آمار کاپا هستند.

خلاصه

1. داده‌های سنجش از دور مورد استفاده در کاربردهای محیطی عمدتاً شامل عکس‌های هوایی، تصاویر چند طیفی و فراطیفی، تصاویر مادون قرمز حرارتی، تصاویر راداری و ابرهای نقطه‌ای LiDAR می‌شوند. آنها بزرگی تابش الکترومغناطیسی را که از ویژگی‌های سطح زمین منعکس یا ساطع می‌شود، ثبت می‌کنند.
2. پیش پردازش تصویر معمولاً قبل از تجزیه و تحلیل تصویر و استخراج اطلاعات مورد نیاز است. ممکن است شامل کالیبراسیون هندسی و رادیومتری باشد. کالیبراسیون هندسی شامل حذف اعوجاج‌های هندسی در یک تصویر و ارجاع جغرافیایی یک تصویر است. کالیبراسیون رادیومتریک شامل حذف بی نظمی حسگر و حسگر ناخواسته یا نویز اتمسفر در یک تصویر است.
3. هدف از افزایش تصویر، بهبود تفسیرپذیری یا درک اطلاعات در تصاویر برای تسهیل تفسیر و تجزیه و تحلیل بصری است. این شامل تکنیک‌هایی برای افزایش تمایزهای بصری بین ویژگی‌های یک تصویر است، از جمله ترکیب نوارها ، وضوح کامل، کشش کنتراست و فیلتر فضایی.
4. نسبت باند عملیات تبدیل تصویر است که پیکسل‌های باند را با پیکسل‌های مربوطه در هر باند دیگر تقسیم می‌کند. بسیاری از تأثیر روشنایی در تجزیه و تحلیل تفاوت‌های طیفی را حذف می‌کند – یعنی نسبت بین ناحیه روشن و بدون نور از نوع ویژگی یکسان خواهد بود. علاوه بر این ، نسبت باند می‌تواند تفاوت بین منحنی‌های بازتاب طیفی انواع ویژگی‌ها را افزایش دهد.
5. تجزیه و تحلیل اجزای اصلی یک تکنیک آماری است که برای تبدیل تصاویر چند طیفی که شامل نوارهای احتمالاً مرتبط با هم هستند به چند نوار نامتناسب استفاده می‌شود. حذف همبستگی بین باند، افزونگی داده‌ها را کاهش می‌دهد، تفسیرپذیری را بهبود می‌بخشد و زمان پردازش را کاهش می‌دهد.
6. طبقه‌بندی تصویر برای تخصیص تمام پیکسل‌های یک تصویر به کلاس‌های پوشش زمین خاص بر اساس اطلاعات طیفی موجود در یک یا چند باند طیفی استفاده می‌شود. دو روش رایج برای طبقه بندی تصویر طبقه بندی تحت نظارت و بدون نظارت است.
7. در طبقه بندی تحت نظارت ، تحلیلگر تصویر مجموعه‌های آموزشی نماینده ای را برای هر کلاس پوشش زمین در تصویر انتخاب می‌کند. نرم افزار طبقه بندی تصویر از مجموعه‌های آموزشی برای شناسایی کلاسهای پوشش زمین در کل تصویر استفاده می‌کند. الگوریتم‌های طبقه بندی تحت نظارت رایج ، طبقه بندی موازی و حداکثر احتمال هستند.
8. در طبقه‌بندی بدون نظارت، نرم‌افزار طبقه‌بندی تصویر، خوشه‌هایی از پیکسل‌ها را بر اساس ویژگی‌های طیفی آنها تولید می‌کند. تحلیلگر تصویر هر خوشه را با طبقات پوشش زمین شناسایی می‌کند. الگوریتم‌های مختلف خوشه بندی تصویر مانند k-means و ISODATA وجود دارد. طبقه بندی بدون نظارت عموماً زمانی استفاده می‌شود که هیچ مجموعه آموزشی وجود نداشته باشد.
9. تمام نتایج طبقه بندی تصاویر در معرض ارزیابی دقت قرار می‌گیرند. معمولاً شامل انتخاب سایت‌های آزمایش ، ساخت ماتریس خطا و محاسبه اندازه گیری‌های دقیق بر اساس ماتریس خطا است.
   

   برگرفته از کتاب کاربرد GISدر محیط زیست

   ترجمه:سعید جوی زاده،شهناز تیموری،فاطمه حسین پور فرزانه