Journal of Geospatial Information Technology

fa بهبود الگوریتم خوشه‌بندی K-Means با استفاده از الگوریتم ژنتیک به منظور تحلیل مکانی شناسایی لکه‌های نفتی در تصاویر پلاریمتری SAR Improvement of K-Means clustering algorithm using genetic algorithm for spatial analysis of the oil spill detection in polarimetric SAR images سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research وجود لکه‌های نفتی در بستر دریاها و اقیانوس‌ها، یکی از نگرانی‌ها و دغدغه‌های اصلی محققان در زمینه اکوسیستم دریایی می‌باشد. در این تحقیق از روش‌ خوشه‌بندی K-Means مبتنی بر الگوریتم ژنتیک (GA) جهت شناسایی لکه‌های نفتی در سطح دریا استفاده شده است. هدف اصلی ارائه الگوریتم K-Means بهبودیافته با الگوریتم GA، ایجاد یک جستجوی هوشمند و نه صرفا تصادفی در انتخاب مراکز دسته‌های اولیه می‌باشد تا الگوریتم به خوشه‌های بهینه مسئله دست پیدا کند. برای این منظور ابتدا الگوریتم‌های کاهش نویز اسپکل و استخراج ویژگی، به منظور پیش‌پردازش تصاویر رادار دهانه مصنوعی (SAR) اعمال شده‌اند. سپس مرکز خوشه‌های بهینه، با هدف بیشترین فاصله بیرون خوشه‌ای، توسط الگوریتم GA تعیین شده‌اند. در نهایت برای تعیین خوشه‌های نهایی، از الگوریتم K-Means با هدف بیشترین شباهت درون خوشه‌ای، استفاده شده است. به منظور ارزیابی روش‌های خوشه‌بندی، از داده واقعیت زمینی رقومی‌شده استفاده شده است. همچنین جهت ارزیابی الگوریتم K-Means بهبودیافته با GA از الگوریتم‌های بهینه‌سازی ازدحام ذرات (PSO)، بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO)، الگوریتم کلونی زنبور مصنوعی (ABC) و روش خوشه‌بندی K-Means استاندارد استفاده شده است.  نتایج حاصل از الگوریتم K-Means بهبودیافته توسط GA دارای صحت بیشتری نسبت به سایر الگوریتم‌ها می‌باشد. ویژگی آنتروپی توانسته است دقت کلی 24/83 را حاصل کند که در قیاس با سایر ویژگی‌ها از دقت کلی کمتری برخوردار است، اما دارای قطعیت و صحت بالاتری می‌باشد. ویژگی‌های یاماگوچی، فریمن و مولفه C11، علارغم اینکه دقت کلی 90 درصدی را حاصل کرده‌اند، اما به ترتیب با خطای نوع دوم برابر با 18، 11 و 12 درصدی، صحت کمتری را نسبت به دو ویژگی دیگر نشان داده‌اند. نتایج حاصل از این تحقیق نشان می‌دهد که رویکرد پیشنهادی یادگیری ماشین در مقایسه با معماری‌های سنتی، عملکرد بسیار خوبی در مجموعه داده‌های خوشه‌بندی دارد.   The existence of the oil spills at the bottom of the ocean and sea is one of main concerns for researchers in marine ecosystem terrains. In this study, K-Means clustering based on genetic algorithm (GA) has been used in order to detect the oil spills at the sea bottom. The main objective of the developed K-Means with GA is to cause an intelligent search which not only randomly determines the initial cluster centers but also tries to find out the optimal ones for the clusters. To achieve this goal, firstly the required preprocessing steps for SAR images such as radiometric correction, speckle reduction and POLSAR feature extraction were applied. Then the optimal cluster centers were determined by GA in order to have maximum extra_cluster distance. Finally, to find out the final optimal centers, K-Means algorithm was used in order to have maximum intra_cluster similarity. The ground truth digitized from Pauli RGB image of POLSAR image was utilized to evaluate the performance of the clustering methods. Furthermore, in order to evaluate the improved K-Means algorithm by GA, particle swarm optimization (PSO), biogeography-based optimization (BBO), artificial bee colony (ABC), and the standard     K-Means clustering methods were used. The results gained by the improved GA-K-Means have more validity and precision than the other algorithms. The feature Entropy could obtain the overall accuracy of 83.24% that has a lower accuracy compared with the other features. But it shows a higher validity. The features ODD of Yamagouchi, ODD of Freeman decompositions and C11 of covariance matrix have reached the overall accuracy of 90% but have the noticeable values of the second type error by 18%, 11% and 12% which demonstrate the lowest validity in comparison with the other features.   لکه‌های نفتی, تصاویر پلاریمتری SAR, انتخاب ویژگی, الگوریتم ژنتیک و الگوریتم K-Means. Oil spill, SAR images, feature selection, K-Means, genetic algorithm. 1 22 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-634-1&slc_lang=fa&sid=1 Mehrdad Kaveh مهرداد کاوه m.kaveh11@email.kntu.ac.ir 100319475328460010079 100319475328460010079 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Yasser Ebrahimian Ghajari یاسر ابراهیمیان قاجاری y.ebrahimian@nit.ac.ir 100319475328460010080 100319475328460010080 Yes Babol Noshirvani University of Technology دانشگاه صنعتی نوشیروانی بابل