Astaraki

داده کاوی در ماهواره

حامدعسکریان

مقدمه

در این مقاله سعی شده است که ارتباط مبحث داده کاوی و ماهواره مورد بررسی قرار گیرد . طبق بررسی هایی که صورت گرفت داده های ثبت شده از طریق ماهواره ها می تواند به عنوان یک پایگاه داده بسیار مناسب برای کشف الگوهای مختلف در زمینه های مختلف مورد استفاده قرار گیرد . قسمت عمده استفاده از این داده ها در بحث های جغرافیایی و همچنین بحث های زیست محیطی که قالبا با استفاده از پردازش تصاویر ماهواره ای صورت گرفته است .

در این تمرین تمامی مقالات از مجلات و سایتهای معتبر نظیر ISI ،IEEE و ... استخراج و مورد بهره برداری موردی قرار گرفته است .

لازم به ذکر است یک سری مقالات از طریق سایت کتابخانه مرکزی دانشگاه علم و صنعت استخراج شده است که به علت در دسترس نبودن انها از خارج دانشگاه چکیده انها در قسمت منابع و ماخذ اورده شده است .



1. تکنیک های داده کاوی در پردازش تصاویر ماهواره ای

این مطالعه برای ارائه یک ابزار تجسمی جدید برای ثبت تصاویر ماهواره ای میباشد .این ابزار این امکان را به ما میدهد تا الگوهای موجود در داده های تصویری را طبقه بندی کنیم .داده کاوی به صورت ویژوال امکان اضافه کردن مقادیر به تصاویر را میدهد که این عمل منجر به بالا رفتن ضریب اطمینان درک تصویر و سپس مطلوب تر شدن فرایند طبقه بندی تصاویر ماهواره ای گردد .این ابزار این امکان را به ما میدهد تا تصاویر خود را که با وضوح بالا که با ماهواره ثبت شده اند به خوبی مطالعه و طبقه بندی کنیم .

طبقه بندی تصویر بر اساس تصاویر ماهواره ای به طور گسترده برای استخراج اطلاعات بر روی اقصی نقاط کره زمین مورد استفاده قرار میگیرد . این پردازش تصویر در واقع تبدیل اطلاعات دیجیتال که نوعا اطلاعات انتزاعی هستند به اطلاعات موضوعی طبقه بندی شده میباشد . در واقع ما پدیده های گوناگون را که متعدد هستند را کلاسهای عمومی تر که تعداد شان به مراتب بیشتر از پدیده های عمومی است طبقه بندی میکنیم و به عبارت ساده تر داده هایمان را طبقه بندی موضوعی میکنیم (موضوعات مورد نظر خودمان). این نوع طبقه بندی اغلب منجر به تعمیم یک تصویر پیچیده به تصاویر ساده میشود .

نقشه طبقه بندی شده سپس به عنوان اطلاعات ورودی به یک سیستم اطلاعات جغرافیای(GIS)برای تحلیل و پردازش بیشتر بر روی ان وارد میشود .

این استنتاج ها معمولا از ان درجه اطمینان که مطلوب ما میباشد کمتر هستند و این به خاطر وجود یک عنصر عدم قطعیت در طبقه بند ی های ما میباشد . این فاکتور میتواند بر گامهای فرایند پردازش ما و حتی در تصمیم گیری ما تاثیر گذار باشد ،لذا برای ما بسیار مهم است که کمیت های مناسبی را برای طبقه بندی تصاویر بسناسیم و انتخاب کنیم .

داده کاوی ویژوال یک ابزار قدرت مند است که معمولا منفعت ان نسبت به داده کاوی سنتی که غیر ویژوال است نادیده گرفته میشود ،با اینکه روشهای سنتی عمل پردازش تصویر و کشف الگوهای معنادار را به صورت نیمه اتوماتیک انجام میدهند .

VDM از روشهای تعامل بصری استفاده میکند که به ما این امکان را میدهد که الگوهای موجود در داده ها را به صورت بصری کشف و استخراج نماییم . وقتی ما عمل داده کاوی را به صورت غیر ویژوال انجام میدهیم ،فاکتورهای غیر مرتبط برای برای ما مهم نیست و واقعیت این است که فاکتورهای عمومی با یک انتخاب ساده به صورت اتوماتیک استخراج میشوند و در واقع ما یک کار تجزیه و تحلیل اولیه را قبل از انالیز اصلی بر روی داده هایمان انجام داده ایم .

با روش VDM داده هایی که میتوانند در نتیجه گیری ما اثر گذار باشند حذف میگردد ، در حالیکه داده های موثر که حذف شده اند میتواند برای ذهن انالیزور تاثیر گذار باشد . با این تفاسیر جبران این مسئله باعث بالا رفتن درجه اطمینان انالیز میگردد .VDM فقط به کاربر خود اجازه داده کاوی بصری را نمیدهد بلکه به تقویت غیر بصری داده کاوی نیز کمک میکند . این تقویت معمولا به شفاف تر شدن فرم تصاویری که به صورت خودکار تهیه شده اند کمک میکند از این رو اعتماد به این تصاویر نیز افزایش می یابد .VDM در نرم افزار های سنجش از راه دور به کار برده نمیشود .

در روش سنجش از راه دور طبقه بندی به این صورت اغاز میشود که یک سری نقاط ازمایشی که نماینده ان ناحیه میباشد انتخاب میشود . از خواص طیفی و اماری بدست امده از این نقاط به منظور طبقه بندی نقاط دیگری که مشخص نشده اند استفاده میشود .این عمل به طور گسترده به وسیله یک الگوریتم احتمال صورت میگیرد (که معمولا در نسخه های تجاری نرم افزارهای سنجش از راه دور مورد استفاده قرار میگیرد)

برای تست دقت در طبقه بندی صورت گرفته ،باید نقشه را با پیکسل های مرجع که در مرحله نمونه برداری ازمایشی به دست اورده بودیم ارزیابی کنیم . دقت ارزیابی معمولا به شکل یک ماتریس کشف خطا که دقت ارزش ان مشتق شده است از دقت کلی و اماری . اگرچه ماتریس کشف خطا به صورت کلی دقت طبقه بندی ما را افزایش می دهد اما عدم تشابه طیفی از خوشه های کلاس را برای ما روشن نمی سازد ،این عدم قطعیت به صفاتی که در زمان لیبل گذاری بر روی نقاط انجام دادیم و یا توزیع فضای طبقه بندی بر میگردد .

در این تحقیق مارراجع به این بحث میکنیم که که VDM یک ابزار بسیار مهم اکتشاف بصری داده ها به کار میرود که به بهبود دید نسبت به الگوریتم های بصری و همچنین شناسایی نقاط غیر مطمئن کمک میکند . مطالعه اخیر نشان میدهد که اطلاعات استخراج شده از ابزارهای تجسمی میتوان به درک عدم قطعیت طبقه بندی تصاویر انالیز شده کمک کند .
پیشنهاد این است که مجموعه ای از تعاملات ایستا و پویا برای طبقه بندی عدم قطعیت استفاده شود . انها یک ابزرا بصری را توسعه داند که بستر ارتباط بسری با یک سری پارامتر های فازی مربوط به الگوریتم های دسته بندی را فراهم می اورد . تحقیق نشان میدهد که بصری سازی الگوریتم طبقه بندی فازی و ارتباط پویای ما با تصاویر ماهواره ای در بهبود نقاط عدم قطعیت طرح کمک میکند .

در این تحقیق یک نمونه جدید از VDM را ارائه میدهیم که به تجسم اشکال نا منظم از خوشه های کلاس کمک میکند و طیف های امنظم را در طرح ما اصلاح میکند .

2. استخراج الگو از داده های تصویری ماهواره ای برای بررسی علل اتشسوزی در جنگلهای اسپانیا



این بررسی با استفاد ه از 5 فاکتور که به ترتیب عبارتند از : انعکاس باند نور مادون قرمز پس از اتش سوزی –نرمال سازی اختلاف پوشش گیاهی نواحی مختلف جنگل – و همچنین باند حراراتی 4تا 11 متری قبل و بعد از اتش سوزی

با استفاده از این داده ها با طی سه مرحله جزئیات بررسی میشود : کلاسه بندی اولیه ،استفاده از هموار سازی تصویر با استفاده از سری فوریه ، مدل سازی گام به گام با استفاده از توزیع گاوسی ، طبقه بندی مدل با استفاده از استانه نواحی سوخته و نواحی نسوخته .

تخمین موقعیت و همچنین مساحت نواحی سوخته با استفاده از سیستم مکان یاب ماهواره ای که در اضلاع ،چند ضلعی های موجود در تصویر و نیز استفاده از هلیکوپتر برای تخمین اندازه اضلاع نواحی صورت میگیرد .

صخت این ازمون با استفاده از مقایسه نتایج به دست امده با نتایج بدست امده زا روش های سنتی مورد ارزیابی قرار میگیرد . این نتایج بهبود دقت 7.5 % را در براورد مناطق سوخته به ما نشان داد . استفاده از این روش باعث شناسایی عوامل اتش سوزی و همچنین طبقه بندی تصاویر ماهواره ای به مناطق اتش خیز گردید . این الگوریتم با استفاده از داده کاوی تصاویر ماهواره ای بهینه شده نتایج اماری با اعتباری را برای ما به ارمغان می اورد .



3. ارتباط اتش سوزی مناطق حاوی معادن ذغال سنگ در جاهاریرا هند با استفاده از داده های ماهواره ای



منطقه JCF در هند به عنوان یک منطقه که دارای معادن طبیعی ذغال سنگ با درجه بالا میباشد معروف است که اتعداد اتش سوزی را دارد . پیش از اینکه یک ناحیه دچار اتش سوزی شود یک سری پارامترها هستند که میتوانند به ما انفجار را پیش گویی کنند . این اتش سوزی ها امنیت محیط زیست این منطقه را به خطر انداخته است ، البته روش هایی اتخاذ شده است که این عامل را به حداقل برساند ولی کگارایی انچنانی ندارد . اتش سوزی ذغال سنگ یک پدیده پویا میباشد که به پارامترهای مختلفی بستگی دارد و وسعت و زمان وقوع ان دائما در حال تغییر است . برای کنترل اتش سوزی باید عوامل موثر در ان به صورت دوره ای بررسی شود . در این تحقیق از داده های باند حرارتی این منطقه در یک دوره زمانی مشخص از سال 2003 تا 2006 استفاده شده است . این مطالعه نشان میدهد که اتش سوزی نواحی شرقی متاثر است از افزایش دما در نواحی غربی به طوریکه 29% علت اتش سوزی این مناطق را شامل میشود . در دوره زمانی این تحقیق حدود 0.51 کیلومتر مربع از نواحی JCF دچار اتشسوزی شده است . با استفاده از تصاویر و نقشه های بدست امده از ماهواره بر روی این منطقه خاص در هندوستان و انجام عملیات داده کاوی بر روی ان به این نتیجه رسیدبم که 6.9 % از منطقه JCF در معرض این خطر زیست محیطی قرار دارد .



4. جدا سازی تصاویر ماهواره ای از مناطق طبیعی با استفاده از داده کاوی



در این تحقیق ما سعی داریم که به توصیف روش های سنتی پردازش تصویر در جداسازی مناطق و روش های کشف دانش از پایگاه داده مورد تجزیه تحلیل قرار دهیم . تقسیم بندی ما به سه مرحله عمده تقسیم میشود :تقسیم بندی اولیه بدست امده از حد استانه های پویا در داخل تصاویر و تولید مناصق محلی اولیه ، سپس هر ویزگی های هر منطقه را بر اساس پارامتر های طیفی ،فضایی برای بافت هر منطقه استخراج میشود ، و در نهایت این داده ها با صفاتی که به انها اختصاص داده شده است با استفاده از عملیات خوشه بندی طبقه بندی میگردد و به این تریب تصاویر ما طبقه بندی میگردند .


5. ارزیابی تغییر پوشش زمین با استفاده از درخت های تصمیم یار



ارزیابی تغییر پوشش زمین یکی از کاربردهای پیش بینی از راه دور میباشد . تعداد پیکسل های پایه برای کلاسه بندی تصاویر ماهواره ای در حال گسترش میباشد .

قابل ملاحظه ترین فاکتور های طبقه بندی عبارتند از : حداکثر احتمال (MLC) ،ماشین های برداری پشتیبان (SVMs) ، درخت تصمیم (DT) درخت تصمیم با ارائه به طور خاص با روش های دیگر ارائه شده است .

این الگوریتم ها محاسباتی سریع و بدون پیش پردازش اماری را با توزیع یکنواخت داده ها انجام میدهند .چالش درخت های تصمیم یار در این است که درخت های بهینه را ممکن است به اشتباه حذف نمایند . توسعه های جدید در زمینه داده کاوی به رفع این مشکل پرداخته است . در این تحقیق ما به پتانسیل های موجود در داده کاوی با استفاده از درخت های تصمیم یار در بررسی پوشش زمین با استفاده از داده های ماهواره ای که از سال 1986 تا 2001 به ثبت رسیده است استفاده کرده ایم . و در نهایت به این نتجه رسیده ایم که کارایی درخت تصمیم بالاتر از دو فاکتور اول که در ابتدا ذکر گردید میباشد .



6. استفاده از سنجش از راه دور در کشف منابع اب و فعالیت های معدنی



ارزیابی تاثیرات زیست محیطی امروزه بخش جدایی ناپذیر عملیات کشف معادن و استخراج از منابع میباشد . استفاده از تحلیل داده های حاصل از ماهواره به ما کمک میکند که اثرات بهره برداری از منابع ابی زیر زمینی را بر یک منطقه را مشاهده کنیم و از میزان الودگی و اسیبهایی که منطقه دچار ان میشود و تغییرات زمین های بکر و تغییر سطح منابع اب اگاهی یابیم .هدف از این تحقیق ارزیابی نقاط حساس و تغییر یافته از لحاظ منابع اب با استفاده از تصاویر ماهواره ای بدست امده از یک منطقه خاص می باشد .در این تحقیق سه مطالعه موردی بر روی سه منطقه خاص صورت گرفته است که عبارتند از : دریاچه Vegoritis و معدن Amynteon(هر دو واقع در شمال یونان) ومعدن Lavrio در مرکز یونان. در این تحقیق ما دریافتیم که استفاده هماهنگ از تصاویر ماهواره ای با وضوح بالا و تجمیع انها در یک سیستم یکپارچه اطلاعاتی باعث بدست امدن بازخوردهای مناسبی و جالبی در سیستم های جغرافیایی گردید .

لذا با استفاده از داده کاوی تصاویر ماهواره ای میتوان برای بلند مدت ، برنامه های مناسبی را برای احیای منابع زیست محیطی و خصوصا منابع ابی به کار برد .


منبع

__________________

تعرفه ارزان تبلیغات در اولین و بزرگترین سایت هوش مصنوعی ایران !
با بیش از صد و چهل هزار کاربر!

arezou21

با سلام می شود اگر راجع به semantic mining of images هم اگر مقاله ای دارید به من کمک بکنید. با تشکر