:: دوره 5، شماره 3 - ( 9-1396 ) ::
جلد 5 شماره 3 صفحات 1-11 برگشت به فهرست نسخه ها
ارائه روشی جدید جهت بهبود نتایج طبقه‌بندی حاصل از مدهای پلاریمتری فشرده
امیر آقابالائی ، حمید عبادی، یاسر مقصودی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (968 مشاهده)
اخیرا مد جدیدی در سیستم‌های تصویربرداری پلاریمتری دوتایی (DP) رادار با روزنه مجازی (SAR) ارائه شده است که پلاریمتری فشرده (CP) نامیده می‌شود. این مد چندین مزیت مهم را نسبت به مد تمام پلاریمتری (FP) دارا می‌باشد که ازجمله آن‌ها می‌توان به افزایش در پهنای نوار و نیز کاهش در پیچیدگی، هزینه و نرخ دادهای یک سیستم تصویربرداری SAR اشاره کرد. علی‌رغم این مزایا، این مد اطلاعات کمتری از اهداف را نسبت به مد FP اخذ می‌کند. بنابراین دقت نتایج طبقه‌بندی با استفاده از این مد، به‌مراتب کمتر از دقت نتایج حاصل از به‌کارگیری مد FP خواهد بود. این تحقیق، روشی را جهت بهبود نتایج حاصل از طبقه‌بندی با استفاده از داده‌های CP پیشنهاد می‌دهد. برای این منظور، دو روش درنظر گرفته شده است. در روش اول، مدهای CP شبیهسازی شده از مد FP ماهواره رادارست-2، و در روش دوم، مدهای FP بازسازی شده از این مدهای CP (که شبه پلاریمتری چهارتایی (PQ) نامیده می‌شوند) در سطح ویژگی با یکدیگر ترکیب می‌شوند. نتایج این پژوهش نشان می‌دهد که ترکیب مدهای CP در سطح ویژگی دقت کلی طبقه‌بندی را به 76/79%، و ترکیب مدهای PQ دقت کلی طبقه‌بندی را به 01/85% بهبود داده و گاهی بهتر از دقت کلی طبقهبندی حاصل از به‌کارگیری مد FP خواهد کرد.
واژه‌های کلیدی: پلاریمتری فشرده، تلفیق در سطح ویژگی، طبقه‌بندی
متن کامل [PDF 1420 kb]   (354 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: ۱۳۹۴/۱۲/۱۳ | پذیرش: ۱۳۹۵/۴/۱۳ | انتشار: ۱۳۹۶/۱۰/۲۰
فهرست منابع
1. [1] R. Rafiee, A. Salman Mahiny, N. Khorasani, A. Darvishsefat, and A. Danekar, "Simulating urban growth in Mashad City, Iran through the SLEUTH model (UGM)", Cities, 26, 19-26, 2009. [DOI:10.1016/j.cities.2008.11.005]
2. [2] www.amar.org.ir, Statistical Centre of Iran.
3. [3] H. H. Zhang, Y. N. Zeng, and L. Bian, "Simulating multi-objective spatial optimization allocation of land use based on the integration of multi-agent system and genetic algorithm" International Journal of Environmental Research, 4(4), 765-776, 2010.
4. [4] H. Zhang, X. Jin, L. Wang, Y. Zhou, and B. Shu, "Multi-agent based modeling of spatiotemporal dynamical urban growth in developing countries: simulating future scenarios of Lianyungang city, China", Stochastic Environmental Research and Risk Assessment, 29.1, 63-78, 2015. [DOI:10.1007/s00477-014-0942-z]
5. [5] G. Tian, Y. Ouyang, Q. Quan, and J. Wu, "Simulating spatiotemporal dynamics of urbanization with multi-agent systems—A case study of the Phoenix metropolitan region, USA", Ecological Modelling, 222.5, 1129-1138, 2011. [DOI:10.1016/j.ecolmodel.2010.12.018]
6. [6] A. Veldkamp, E.F. Lambin, "Predicting land-use change", Agriculture, ecosystems & environment, 85.1, 1-6, 2001. [DOI:10.1016/S0167-8809(01)00199-2]
7. [7] Y. Feng, Y. Liu, X. Tong, M. Liu, and S. Deng, "Modeling dynamic urban growth using cellular automata and particle swarm optimization rules", Landscape and Urban Planning, 102.3, 188-196, 2011. [DOI:10.1016/j.landurbplan.2011.04.004]
8. [8] R. Tan, Y. Liu, K. Zhou, L. Jiao, and W. Tang, "A game-theory based agent-cellular model for use in urban growth simulation: A case study of the rapidly urbanizing Wuhan area of central China", Computers, Environment and Urban Systems, 49, 15-29, 2015. [DOI:10.1016/j.compenvurbsys.2014.09.001]
9. [9] Macal, Charles M., and Michael J. North, 2009, "Agent-based modeling and simulation." In Winter simulation conference, pp. 86-98. Winter Simulation Conference. [DOI:10.1109/WSC.2009.5429318]
10. [10] Weiss, Gerhard, 1999, "Multiagent systems: a modern approach to distributed artificial intelligence." MIT press.
11. [11] A. Jjumba, and S. Dragićević, "High resolution urban land-use change modeling: agent iCity approach", Applied Spatial Analysis and Policy, 5.4, 291-315, 2012. [DOI:10.1007/s12061-011-9071-y]
12. [12] J. Jokar Arsanjani, M. Helbich, E. de Noronha Vaz, "Spatiotemporal simulation of urban growth patterns using agent-based modeling: the case of Tehran", Cities, 32, 33-42, 2013. [DOI:10.1016/j.cities.2013.01.005]
13. [13] V. Kocabas, S. Dragicevic, "Bayesian networks and agent-based modeling approach for urban land-use and population density change: a BNAS model" Journal of Geographical Systems, 15.4, 403-426, 2013. [DOI:10.1007/s10109-012-0171-2]
14. [14] Y. Feng, Y. Liu, X. Tong, M. Liu, and S. Deng, "Modeling dynamic urban growth using cellular automata and particle swarm optimization rules" Landscape and Urban Planning, 102(3), pp.188-196, 2011. [DOI:10.1016/j.landurbplan.2011.04.004]
15. [15] Ma, S., He, J., Liu, F. and Yu, Y., 2011. "Land-use spatial optimization based on PSO algorithm" Geo-spatial Information Science, 14(1), pp.54-61. [DOI:10.1007/s11806-011-0437-8]
16. [16] X. Li, X. Liu, "Defining agents' behaviors to simulate complex residential development using multicriteria evaluation", Journal of Environmental Management, 85.4, 1063-1075, 2007. [DOI:10.1016/j.jenvman.2006.11.006]
17. [17] F. Hosseinali, A. A. Alesheikh, F. Nourian, "Agent-based modeling of urban land-use development, case study: Simulating future scenarios of Qazvin city", Cities, 31, 105-113, 2013. [DOI:10.1016/j.cities.2012.09.002]
18. [18] J. Kennedy, and RC. Eberhart, "A discrete binary version of the particle swarm algorithm", Systems, Man, and Cybernetics, 1997. Computational Cybernetics and Simulation, 1997 IEEE International Conference on, 5, 4104 – 4108, 1997. [DOI:10.1109/ICSMC.1997.637339]
19. [19] J. van Vliet, R. White, S. Dragicevic, "Modeling urban growth using a variable grid cellular automaton", Computers, Environment and Urban Systems, 33, 35–43, 2009. [DOI:10.1016/j.compenvurbsys.2008.06.006]
20. [20] G. Tian, Y. Ouyangc, Q. Quana, J. Wub, "Simulating spatiotemporal dynamics of urbanization with multi-agent systems—A case study of the Phoenix metropolitan region, USA", Ecological Modelling, 222.5, 1129-1138, 2011. [DOI:10.1016/j.ecolmodel.2010.12.018]



XML   English Abstract   Print



دوره 5، شماره 3 - ( 9-1396 ) برگشت به فهرست نسخه ها