طبقه بندی دانش مبنای داده های پلاریمتری رادار با روزنه ترکیبی با استفاده از روش support vector machine-decision tree (svm-dt)

روش های مختلف طبقه بندی داده پلاریمتری به طورکلی در سه گروه قرار می گیرند. (1) روش های آماری، (2) روش های برمبنای مکانیسم پراکنش و (3) روش های دانش مبنا. در این مقاله روشی دانش مبنا و شیءمبنا برای طبقه بندی داده ی پلاریمتری مطرح شده است که در آن روش طبقه بندی svm-dt برای تلفیق دانش در سه بخش دانش اولیه، دانش حاصل از داده پلاریمتری و دانش خبره توسعه داده شده است. دانش حاصل از داده (آماری، فیزیکی و مکانی) در مراحل تعیین طرح درختی، ویژگی برای طبقه بندی کننده svm و همچنین در انتخاب ویژگی های بهینه به کار گرفته می شود. دانش اولیه برای توازن تعداد داده های آموزشی در طبقه بندی کننده svm استفاده می شود. درنهایت دانش خبره نیز در دو مرحله ایجاد طرح درختی و همچنین انتخاب ویژگی های بهینه درروش پیشنهادی استفاده می شود. داده پلاریمتری سنجنده رادارست-2 از منطقه ی جنگلی petawawa کانادا با شش کلاس بلوط قرمز (or)، کاج سفید (pw)، صنوبر سیاه (sb)، آب (wa)، منطقه ی شهری (ur) و پوشش گیاهی (gv) برای پیاده سازی این تحقیق انتخاب شده است. برای بررسی تأثیر دانش های مختلف درروش پیشنهادی 6 طبقه بندی کننده در آزمایش ها مقایسه شده است: طبقه بندی کننده ویشارت، svm با تمام ویژگی ها، svm-dt با تمام ویژگی ها، svm-dt شیءمبنا با تمام ویژگی ها، svm-dt شیءمبنا همراه با انتخاب ویژگی و svm-dt شیءمبنا با انتخاب ویژگی و دانش اولیه. نتایج نشان داد اضافه شدن دانش های مختلف به طبقه بندی تأثیر مثبت و خوبی بر روی کلاس های جنگل دارد اگرچه برخی از این دانش ها در کلاس های دیگر بی تأثیر و یا حتی تأثیر منفی دارند. درنهایت دقت کلی روش پیشنهادی حدود 87 درصد حاصل شد که در مقایسه با روش ویشارت 15 درصد و در مقایسه با طبقه بندی کننده svm، 9 درصد بهبود داشته است.