سیستم های طبقه بندی کننده ی چندگانه ی نوین درختی به منظور طبقه بندی زمین های کشاورزی از تصاویر نوری و راداری تمام قطبیده

تصاویر نوری و راداری با دریچه­ی مصنوعی تمام­قطبیده (PolSAR)، منابع ارزشمندی برای طبقه­بندی زمین­های کشاورزی است. ویژگی­های مستخرج از تصاویر نوری حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر PolSAR فراهم­کننده­ی اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه­داده­ی مکمل با تعداد قابل توجهی از ویژگی­های زمانی طیفی، بافت و قطبیده برای طبقه­بندی زمین­های کشاورزی است. با این­حال، طبقه­بندی زمین­های کشاورزی ممکن است با دو چالش افزایش تصاعدی ابعاد داده و مسأله­ی داده­های نامتوازن مواجه شود. در دهه­ی گذشته، سیستم­های طبقه­بندی­کننده­ی چندگانه­ی (MCS) درختی به­ویژه روش مشهور جنگل تصادفی (RF) کارایی بالایی از خود برای حل چالش اول نشان داده است. با این­حال، این روش­ها به­طور ذاتی برای حل مسأله­ی داده­های نامتوازن طراحی نشده است. به­تازگی دو روش نوین جایگزین RF به­نام­های جنگل پالایشی متوازن­شده (BFF) و جنگل پالایشی هزینه­حساس (CFF) برای طبقه­بندی تصاویر راداری پیشنهاد شده است که قابلیت بالایی در حل همزمان دو چالش از خود نشان داده است. این پژوهش نیز قصد دارد تا از این دو روش نوین برای طبقه­بندی زمین­های کشاورزی از ترکیب تصاویر نوری و راداری استفاده کرده و کارایی و عملکرد آن­ها را با روش­های MCS درختی کلاسیک از جمله روش RF در مواجه با حل این دو چالش بررسی و مقایسه کند. نتایج نشان از افزایش دقت کلی تا حدود 10% بیشتر روش­های نوین درختی نسبت به روش­های کلاسیک و سرعت 6 برابر این روش­ها نسبت به روش RF داشت. ضمن آن­که در شناسایی محصولات کشاورزی، دقتی حدود 20% بیشتر از روش RF کسب کرد.