طبقه‌بندی اطلاعات سنجنده‌های مرئی-حرارتی هوایی مبتنی بر مدل‌های یادگیری ژرف

با رشد و توسعه سیستم‌های تصویربرداری هوابرد و یا فضابرد در حوزه سنجش از دور، ادغام اطلاعات سنجنده‌های چندگانه به منظور دستیابی به دانش تکمیلی نسبت به عوارض و به پیرو آن طبقه‌بندی دقیق داده‌های سنجش از دور مورد توجه بسیاری از محققین این حوزه و مهندسی علوم زمین قرار گرفته است. از سوی دیگر، مدل‌های یادگیری ژرف با افزایش سطح اتوماسیون و همچنین بهبود دقت طبقه‌بندی تصاویر با بهره‌گیری از روش‌های استخراج ویژگی ژرف، تبدیل به یکی از موضوعات پرمخاطب در حوزه پردازش تصاویر شده است. در این تحقیق، روشی نوین به منظور طبقه‌بندی دقیق اطلاعات سنجنده‌های چندگانه مبتنی بر مدل‌های یادگیری ژرف ارائه شده است. در این زمینه، ویژگی‌های ژرف با در نظرگیری بعد طیفی-مکانی داده‌های ورودی استخراج، و سپس یک طبقه‌بندی کننده فازی جهت آموزش این ویژگی‌ها و همچنین بهینه‌سازی مدل یادگیری ژرف استفاده می‌گردد. پس از طبقه‌بندی داده‌های ورودی به‌صورت جداگانه، با بکارگیری برخی قوانین در سطح تصمیمات اتخاذ شده، اطلاعات به‌دست آمده با یکدیگر ادغام شده و در نهایت، پس‌پردازشی مبتنی بر وابستگی‌های متقابل بین عوارض در قالب اطلاعات زمینه خارجی به منظور افزایش دقت نتایج طبقه‌بندی مورد استفاده قرار می‌گیرد. به منظور ارزیابی توان اجرایی روش پیشنهادی در این تحقیق، مجموعه‌ای از آزمون‌های مقایسه‌ای بر داده‌های منتشر شده توسط کمیته فنی تلفیق داده‌ها و آنالیز تصاویر جامعه بین‌المللی سنجش از دور و مهندسی علوم زمین در سال 2014 میلادی، صورت گرفته است. در مقایسه روش‌‌های طبقه‌بندی مبتنی بر مدل‌های یادگیری ژرف با طبقه‌بندی کننده‌های مرسوم، دقت کلی طبقه‌بندی اطلاعات سنجنده‌ی مرئی %3.91، فراحرارتی %6.65 و چندگانه %2.81 بهبود یافته است. به‌علاوه، در نظرگیری وابستگی‌های متقابل بین عوارض در قالب اطلاعات زمینه خارجی و یا قوانین پس‌پردازشی به منظور کاهش و یا حذف خطاهای مرسوم روش‌های طبقه‌بندی پیکسل‌مبنا، موجب بهبود دقت کلی %2.71 می‌گردد. همچنین، در مقایسه روش پیشنهادی طبقه‌بندی اطلاعات سنجنده‌های چندگانه با طبقه‌بندی کننده‌های اطلاعات سنجنده‌ی مرئی و یا فراحرارتی، دقت کلی طبقه‌بندی %7.57 و %22.22 بهبود یافته است.