عملکرد تجزیه و تحلیل
کادر ۶-۱۰ عملکرد تجزیه و تحلیل اجزای اصلی در ArcGIS را نشان می‌دهد.
کادر ۶-۱۰ تجزیه و تحلیل اجزای اصلی در ArcGIS |
کاربردی |
| برای پیروی از این مثال، ArcMap را راه اندازی کنید و تصویر شش باند Landsat ETM+ wy00abd.tif که در کادر ۶-۴ ایجاد شده است را بارگیری کنید. توجه داشته باشید که مقادیر DN در این تصویر چند باندی مقادیر albedo در محدوده صفر الی ۱هستند. |
| ۱) ArcToolBox را باز کنید. در پنجره ArcToolBox، به Spatial Analyst Tools > Multivariate بروید و روی Components اصلی دوبار کلیک کنید. |
| ۲) در گفتگوی Principal Components : |
| الف) wy00abd.tif را به عنوان باندهای شطرنجی ورودی انتخاب کنید. تعداد اجزای اصلی به طور خودکار به عنوان ۶ تنظیم می‌شود. |
| ب) C:\Databases\GIS4EnvSci\WooriYallock\wypc را به عنوان رستر چند باند خروجی وارد کنید. |
| ج) C:\Databases\GIS4EnvSci\WooriYallock\wypcp.txt را به عنوان فایل داده خروجی برای ذخیره پارامترهای مؤلفه اصلی وارد کنید. |
| د) روی OK کلیک کنید wypc به عنوان ترکیب رنگی ساخته شده از سه تصویر جزء اصلی اول ایجاد و نمایش داده می‌شود. |
| ۳) روی دکمه Add Data کلیک کنید، به C:\Databases\GIS4EnvSci\WooriYallock\ بروید وwypcc1 و wypcc2 و …. و wypcc6 را اضافه کنید. اینها تصاویر جزء اصلی منفرد هستند که به ترتیب اهمیت شماره گذاری شده‌اند – یعنی wypcc1 اولین تصویر جزء اصلی است، wypcc2 دومین تصویر جزء اصلی است و غیره. شکل ۶-۲۲ قسمت مرکزی این تصاویر را نشان می‌دهد. |
| ۴) از Notepad برای باز کردن wypcp.txt استفاده کنید. ماتریس کوواریانس را برای داده‌های تصویر، و بردارهای ویژه، مقادیر ویژه و درصد واریانسها را برای هر تصویر جزء اصلی مشاهده کنید. اطلاعات کلیدی موجود در فایل متنی در جداول ۶-۴ و ۶-۵ ارائه شده است. |
طبقه بندی تصویر
طبقه بندی تصویر شامل استخراج خودکار انواع مختلف ویژگیهای زمین از یک تصویر است. این یک فرایند دسته بندی تمام پیکسل‌ها در یک تصویر ، معمولاً یک تصویر چند طیفی یا فراطیفی ، بر اساس اطلاعات طیفی است که توسط مقادیر DN در یک یا چند نوار طیفی نشان داده می‌شود. تصویر طبقه بندی شده یک نقشه موضوعی است که توزیع مکانی طبقات مختلف پوشش زمین (مانند آب ، پوشش گیاهی و خاک) را توصیف می‌کند.
تعدادی روش مختلف برای طبقه بندی تصاویر وجود دارد، از جمله طبقه بندی نظارت شده و بدون نظارت، طبقه بندی ترکیبی، طبقه بندی فازی و طبقه بندی شی گرا ( لیلسند و همکاران، ۲۰۰۸). این بخش بر طبقه بندی تصویر چند طیفی با استفاده از دو روش رایج طبقه بندی تمرکز دارد : طبقه بندی تحت نظارت (هدایت شده توسط انسان) و بدون نظارت (نرم افزار محور).
طبقه بندی تحت نظارت
اساساً طبقه بندی تحت نظارت شامل استفاده از پیکسل‌های کلاسهای شناخته شده برای شناسایی پیکسل‌های کلاسهای ناشناخته است. لازم است ابتدا تحلیلگر تصویر طرح طبقه بندی پوشش زمین را انتخاب یا توسعه دهد، سپس پیکسل‌های نمونه در تصویر را انتخاب کند که نمایانگر کلاسهای خاصی بر اساس کار میدانی، تفسیر عکس‌های هوایی و نقشه‌های بزرگ، دانش شخصی یا ترکیبی از این روش‌ها این نمونه از کلاسهای شناخته شده، مجموعه‌های آموزشی نامیده می‌شوند که به مجموعه‌های تست یا کلاسهای ورودی نیز معروف هستند. مجموعه‌های آموزشی انتخاب‌شده سپس توسط GIS یا نرم‌افزار پردازش تصویر برای تولید امضاهای کلاسی استفاده می‌شوند که ویژگیهای طیفی هر کلاس را در همه باندهای طیفی توصیف می‌کنند. سپس هر پیکسل موجود در تصویر با هر امضای کلاس ارزیابی می‌شود و به کلاسی که بیشتر شبیه است اختصاص داده می‌شود. انتخاب مجموعه‌های آموزشی و تولید امضای کلاس دو جزء بسیار مهم فرآیند طبقه بندی تصاویر هستند.
اجزای مهم فرایند طبقه بندی تصویر یک مجموعه آموزشی برای یک کلاس خاص معمولاً از پیکسل‌ها در مناطق مختلف که توسط تحلیلگر تعیین می‌شود گرفته می‌شود و باید میانگین و تنوع کلاس را در کل نشان دهد. هر چه مجموعه آموزش تنوع طیفی کلاس را بهتر نشان دهد، نتایج طبقه بندی دقیق تر است. برای تصویر باند n، مجموعه آموزشی برای کلاس معین باید حداقل دارای ۱۰×n پیکسل باشد تا بتوان الگوی پاسخ طیفی کلاس را به طور قابل اعتماد مشخص کرد. تعداد مجموعه‌های آموزشی به ماهیت کلاس‌ها و پیچیدگی منطقه مورد مطالعه بستگی دارد. داشتن ۱۰۰ مجموعه آموزشی یا بیشتر به منظور نمایش مناسب تنوع طیفی در تصویر غیرعادی نیست. پس از انتخاب و ترسیم مجموعه‌های آموزشی، مقادیر پیکسل در مجموعه‌های آموزشی استخراج می‌شوند و نمونه‌ای را برای ساخت امضاهای کلاس تشکیل می‌دهند.
امضای کلاس توصیف آماری از ویژگیهای طیفی اساسی کلاس است که شامل وسایل طیفی، انحرافات استاندارد، واریانسها، حداقل مقادیر، حداکثر مقادیر، واریانسها، ماتریس کوواریانس، ماتریس همبستگی و سایر معیارهای آماری چند متغیره محاسبه شده از مجموعه آموزشی آن است. به عبارت دیگر، امضای کلاس نمایشی آماری از یک کلاس خاص است. این توسط قوانین تصمیم گیری مختلف برای اختصاص کلاس‌ها به هر پیکسل در تصویر استفاده می‌شود.
فرض کنید ما یک تصویر دارای باند n داریم. هر پیکسل دارای مقدار DN در هر باند است. این مقادیر DN یک بردار n بعدی ایجاد می‌کند
جایی که i ، j شماره ردیف و ستون پیکسل هستند و DNk (i ، j) مقدار DN پیکسل در باند k است. به این بردار، بردار اندازه گیری گفته می‌شود. این نمایش این امکان را می‌دهد که هر پیکسل را به عنوان نقطه اشغال کرده و هر مجموعه آموزشی را به عنوان فضای فرعی (یعنی یک نقطه نمایشی احاطه کرده با انبساط یا انحراف) در فضای اندازه گیری n بعدی در نظر بگیریم. مشکل طبقه بندی این است که مشخص شود هر بردار اندازه گیری به کدام کلاس زیرفضا تعلق دارد.
برای ساده تر شدن توضیحات، اجازه دهید به تصویر دو باندی متشکل از نوار قرمز و نزدیک به نوار IR و پنج مجموعه آموزشی که نمایانگر جنگل، زمین‌های زراعی، مراتع، شهری و آبی هستند نگاه کنیم. هر پیکسل از پنج مجموعه آموزشی دارای بردار اندازه گیری دو بعدی است که ممکن است بر روی نمودار پراکنده رسم شود، همانطور که در تصویر شکل ۶-۲۳ نشان داده شده است. این نمودار فضای اندازه گیری دو بعدی را نشان می‌دهد که محور x مقادیر DN را در باند قرمز و محور y مقادیر DN را در باند IR نزدیک نشان می‌دهد. پنج زیرفضا یا خوشه از پیکسل‌ها (محصور در بیضی ها) را می‌توان شناسایی کرد که هریک مربوط به نوع خاصی از پوشش زمین است. هر فضای فرعی الگوی پاسخ طیفی کلی و تنوع طیفی را در طبقه ای که هستند نشان می‌دهد امضای کلاس از معیارهای آماری برای توصیف الگوی پاسخ طیفی و تنوع هر کلاس که در فضاهای فرعی خود نمایش داده می‌شود، استفاده می‌کند. هنگامی که پیکسلی از کلاس ناشناخته آزمایش می‌شود، باید تصمیم بگیریم که چگونه با توجه به بردار اندازه گیری پیکسل، بر اساس امضای کلاس، به کدام یک از زیر فضاها (کلاس ها) تعلق داریم. تعدادی تکنیک وجود دارد که می‌توان برای تصمیم گیری استفاده کرد، اما طبقه بندی کننده موازی و طبقه بندی کننده حداکثر احتمال دو روش متداول هستند.