[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 317
نرخ پذیرش: 63
نرخ رد: 37
میانگین داوری: 209 روز
میانگین انتشار: 347 روز
..
:: دوره 11، شماره 1 - ( 3-1402 ) ::
جلد 11 شماره 1 صفحات 36-19 برگشت به فهرست نسخه ها
طبقه بندی پوشش های جنگلی با استفاده از داده های شبیه سازی شده پلاریمتری فشرده و شبکه های یادگیری عمیق
سحر ابراهیمی* ، حمید عبادی ، امیر آقابالائی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (1539 مشاهده)
در دو دهه اخیر از میان مدهای مختلف تصویربرداری تصاویر رادار با روزنه مجازی (SAR)، مد پلاریمتری فشرده (CP) بسیار مورد توجه واقع شده­ است. از جمله این مزایا می­توان به کاهش پیچیدگی سیستم تصویربرداری، کاهش حجم و نرخ داده و همچنین عرض نوار برداشت بزرگتر اشاره نمود. وجود چنین مزایایی باعث می­شود که این داده ­ها برای پایش اهداف در مقیاسی وسیع، به عنوان مثال طبقه­ بندی جنگل، مفید واقع شوند. اکثر روش­های ارائه شده برای طبقه­بندی جنگل با استفاده از این مد بر پایه استخراج ویژگی از تصور عمل می­کنند. دقت این روش­ها به تمایز ویژگی­های استخراج­ شده بستگی دارد. در این میان، شبکه­ های یادگیری عمیق مرحله­ استخراج ویژگی را تا حد زیادی خودکار نموده و به نتایج چشم­گیری به خصوص در امر طبقه ­بندی دست یافته­ اند. در این تحقیق قابلیت شبکه­ های یادگیری عمیق با استفاده از داده­های CP در طبقه­ بندی جنگل مورد بررسی قرار می­گیرد. منطقه­ مطالعاتی در این تحقیق جنگل پتاواوا واقع در ایالت آنتاریو کشور کانادا و داده­های مورد استفاده داده ­های شبیه­ سازی­ شده CP، داده­های تمام پلاریمتری (FP) و نیز داده­های بازسازی شده از CP (PQ) اخذ شده از سنجنده­ رادارست 2 در باند C هستند. شبکه­ عمیق مناسب به منظور استخراج خودکار ویژگی­ها طراحی شده و طبقه ­بندی بر روی داده­های CP، FP و PQ انجام می­گیرد. نتایج حاصل از طبقه­بندی مدها با یکدیگر و همچنین با طبقه ­بندی ­کننده­ ویشارت و ماشین بردار پشتیبان (SVM) مقایسه و ارزیابی شدند. نتایج این تحقیق نشان می­دهند که استفاده از شبکه ­های یادگیری عمیق، دقت حاصل از طبقه ­بندی را در بهترین مد CP به 82/01 % و در بهترین مد PQ به 82/68% می­رساند. دقت نتایج حاصل از روش پیشنهادی، در مدهای pi/4، DCP و CTLR از مدهای CP نسبت به روش SVM به ترتیب حدود 5%، 8% و 5% و نسبت به روش ویشارت به ترتیب 15%، 20% و 16% بهبود یافته است. هم­چنین در مدهای PQ_DCP و PQ_CTLR نیز نسبت به هر دو روش SVM و ویشارت افزایش دقت به چشم می­خورد.
واژه‌های کلیدی: رادار با روزنه مجازی، پلاریمتری فشرده، شبکه عصبی پیچشی، طبقه بندی گونه های جنگلی
متن کامل [PDF 2364 kb]   (403 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1399/10/6 | پذیرش: 1400/6/16 | انتشار الکترونیک پیش از انتشار نهایی: 1402/3/31 | انتشار: 1402/4/18
فهرست منابع
1. [1] L. Xie, H. Zhang, H. Li, and C. Wang, "A unified framework for crop classification in southern China using fully polarimetric, dual polarimetric, and compact polarimetric SAR data," Int. J. Remote Sens., vol. 36, no. 14, pp. 3798-3818, Jul. 2015. [DOI:10.1080/01431161.2015.1070319]
2. [2] H. Chen, D. G. Goodenough, and S. R. Cloude, "Mapping forest fire scars with simulated RCM compact-pol data," in 2014 IEEE Geoscience and Remote Sensing Symposium, Jul. 2014, pp. 1572-1575. [DOI:10.1109/IGARSS.2014.6946740]
3. [3] R. Sabry and P. W. Vachon, "Advanced polarimetric synthetic aperture radar (SAR) and Electro-Optical (EO) data fusion through unified coherent formulation of the scattered em field," Prog. Electromagn. Res., vol. 84, pp. 189-203, 2008. [DOI:10.2528/PIER08071005]
4. [4] J.-C. Souyris, P. Imbo, R. Fjortoft, Sandra Mingot, and Jong-Sen Lee, "Compact polarimetry based on symmetry properties of geophysical media: the /spl pi//4 mode," IEEE Trans. Geosci. Remote Sens., vol. 43, no. 3, pp. 634-646, Mar. 2005. [DOI:10.1109/TGRS.2004.842486]
5. [5] A. Aghabalaei, Y. Maghsoudi, and H. Ebadi, "Forest classification using extracted PolSAR features from Compact Polarimetry data," Adv. Sp. Res., vol. 57, no. 9, pp. 1939-1950, 2016. [DOI:10.1016/j.asr.2016.02.007]
6. [6] M. Jafari, Y. Maghsoudi, and M. J. Valadan Zoej, "A new method for land cover characterization and classification of polarimetric SAR data using polarimetric signatures," IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 8, no. 7, pp. 3595-3607, 2015. [DOI:10.1109/JSTARS.2014.2387374]
7. [7] A. Masjedi, M. J. Valadan Zoej, and Y. Maghsoudi, "Classification of Polarimetric SAR Images Based on Modeling Contextual Information and Using Texture Features," IEEE Trans. Geosci. Remote Sens., vol. 54, no. 2, pp. 932-943, 2016. [DOI:10.1109/TGRS.2015.2469691]
8. [8] L. Wang, X. Xu, H. Dong, R. Gui, and F. Pu, "Multi-pixel simultaneous classification of polsar image using convolutional neural networks," Sensors (Switzerland), vol. 18, no. 3, pp. 1-18, 2018. [DOI:10.3390/s18030769]
9. [9] A. G. Mullissa, C. Persello, and A. Stein, "Polsarnet: A deep fully convolutional network for polarimetric sar image classification," IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 12, no. 12, pp. 5300-5309, 2019. [DOI:10.1109/JSTARS.2019.2956650]
10. [10] B. Hou, X. Guo, W. Hou, S. Wang, X. Zhang, and L. Jiao, "PolSAR Image Classification Based on DBN and Tensor Dimensionality Reduction," in IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, Jul. 2018, pp. 8448-8450. [DOI:10.1109/IGARSS.2018.8517524]
11. [11] L. Zhang, W. Ma, and D. Zhang, "Stacked Sparse Autoencoder in PolSAR Data Classification Using Local Spatial Information," IEEE Geosci. Remote Sens. Lett., vol. 13, no. 9, pp. 1359-1363, 2016. [DOI:10.1109/LGRS.2016.2586109]
12. [12] F. Mohammadimanesh, B. Salehi, M. Mahdianpari, B. Brisco, and E. Gill, "Full and simulated compact polarimetry SAR responses to Canadian wetlands: Separability analysis and classification," Remote Sens., vol. 11, no. 5, 2019. [DOI:10.3390/rs11050516]
13. [13] X. Zhang, J. Zhang, M. Liu, and J. Meng, "Assessment of C-band compact polarimetry SAR for sea ice classification," Acta Oceanol. Sin., vol. 35, no. 5, pp. 79-88, 2016. [DOI:10.1007/s13131-016-0856-3]
14. [14] Y. Izumi, S. Demirci, M. Z. bin Baharuddin, T. Watanabe, and J. T. S. Sumantyo, "Analysis of dual- and full-circular polarimetric SAR modes for rice phenology monitoring: An experimental investigation through ground-based measurements," Appl. Sci., vol. 7, no. 4, pp. 1-16, 2017. [DOI:10.3390/app7040368]
15. [15] K. Dasari and A. Lokam, "Exploring the Capability of Compact Polarimetry (Hybrid Pol) C Band RISAT-1 Data for Land Cover Classification," IEEE Access, vol. 6, pp. 57981-57993, 2018. [DOI:10.1109/ACCESS.2018.2873348]
16. [16] D. Haldar, A. Das, S. Mohan, O. Pal, R. S. Hooda, and M. Chakraborty, "ASSESSMENT OF L-BAND SAR DATA AT DIFFERENT POLARIZATION COMBINATIONS FOR CROP AND OTHER LANDUSE CLASSIFICATION," Prog. Electromagn. Res. B, vol. 36, pp. 303-321, 2012. [DOI:10.2528/PIERB11071106]
17. [17] K. Fukushima, "Neocognitron: A hierarchical neural network capable of visual pattern recognition," Neural Networks, vol. 1, no. 2, pp. 119-130, Jan. 1988. [DOI:10.1016/0893-6080(88)90014-7]
18. [18] R. Yamashita, M. Nishio, R. K. G. Do, and K. Togashi, "Convolutional neural networks: an overview and application in radiology," Insights Imaging, vol. 9, no. 4, pp. 611-629, Aug. 2018. [DOI:10.1007/s13244-018-0639-9]
19. [19] A. Khan, A. Sohail, U. Zahoora, and A. S. Qureshi, "A survey of the recent architectures of deep convolutional neural networks," Artif. Intell. Rev., vol. 53, no. 8, pp. 5455-5516, Dec. 2020. [DOI:10.1007/s10462-020-09825-6]
20. [20] "Forest Cover Classification Using Compact Polarimetry Data TT -," ISSGE , vol. 5, no. 3. pp. 1-14, 2016.
21. [21] M. E. Nord, T. L. Ainsworth, J. Sen Lee, and N. J. S. Stacy, "Comparison of compact polarimetric synthetic aperture radar modes," IEEE Trans. Geosci. Remote Sens., vol. 47, no. 1, pp. 174-188, 2009. [DOI:10.1109/TGRS.2008.2000925]
22. [22] T. L. Ainsworth, J. P. Kelly, and J. S. Lee, "Classification comparisons between dual-pol, compact polarimetric and quad-pol SAR imagery," ISPRS J. Photogramm. Remote Sens., vol. 64, no. 5, pp. 464-471, 2009. [DOI:10.1016/j.isprsjprs.2008.12.008]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ebrahimi S, Ebadi H, Aghabalaei A. Forest Classification Using Simulated Compact Polarimetry Data and Deep Learning Networks. jgit 2023; 11 (1) :19-36
URL: http://jgit.kntu.ac.ir/article-1-812-fa.html

ابراهیمی سحر، عبادی حمید، آقابالائی امیر. طبقه بندی پوشش های جنگلی با استفاده از داده های شبیه سازی شده پلاریمتری فشرده و شبکه های یادگیری عمیق. مهندسی فناوری اطلاعات مکانی. 1402; 11 (1) :19-36

URL: http://jgit.kntu.ac.ir/article-1-812-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 1 - ( 3-1402 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4660