بهینه سازی روش قطعه بندی چندمقیاسی اراضی زیر کشت محصولات کشاورزی

استخراج خودکار اطلاعات مختلف از تصاویر هوایی و ماهواره ای، سال های زیادی است که بخش زیادی از تحقیقات را در سراسر دنیا، به خود اختصاص داده است. با وجود این حجم وسیعی از تحقیقات، بکارگیری فناوری سنجش از دور در قبال توانایی و پتانسیل این علم بسیار بسیار ناچیز است. در این سال ها استراتژی-های گوناگونی جهت تحقق اهداف در راستای استخراج اطلاعات از داده های سنجش از دوری، بکارگرفته شده است. به طور کلی می توان روش های استخراج اطلاعات در حیطه سنجش از دور را بر مبنای واحدهای تصویری تحت آنالیز در دو استراتژی پیکسل مبنا و شئ مبنا خلاصه کرد. روش های سنتی پیکسل مبنا، آنالیزهای خود را بر پایه واحدهای اصلی تصویر یعنی پیکسل های تصویری استوار ساخته اند. دلایل زیادی در تحقیقات مختلف جهت تشریح علل شکل گرفتن آنالیزهای شئ مبنا جهت غلبه بر ضعف های روش های سنتی ارائه شد است. مهمترین دلیل را می توان عدم توانایی درک اینگونه از روش ها از وابستگی های مکانی میان پیکسل های همجوار عنوان کرد. شاید بتوان این ضعف را به گونه ای دیگر نیز عنوان کرد. در حقیقت روش های سنتی توجه خود را به ابعاد طیفی داده های سنجش از دور و عدم توجه به قابلیت های مکانی اینگونه داده ها معطوف ساخته اند. روش های شئ مبنا برمبنای قطعه بندی داده های تصویری و تشکیل واحدهایی جدید به نام اشیاء که این اشیا عوارض نهایی مورد نظر کاربر نمی باشد و سپس آنالیز این واحدها جهت رسیدن به عوارض مورد نظر کاربر استوار است. امروزه توجه بسیاری از تحقیقات به بکارگیری آنالیزهای شئ مبنا جلب شده است. بسیار از این تحقیقات، تلاش خود را بر روی مرحله مبنایی آنالیزهای شئ مبنا، یعنی مرحله قطعه بندی تصویر متمرکز ساخته اند. قطعه بندی به عنوان گام مبنایی آنالیزهای شئ مبنا اهمیت ویژه ای را در کارایی یک آنالیز شئ مبنا دارا می-باشد. در این تحقیق نیز هدف معرفی یک روش خودکار جهت اجرای یک قطعه بندی مناسب است. سال های زیادی نیز از بکارگیری روش های بهینه سازی مختلف در تحقیقات مختلف و بخصوص آنالیزهای سنجش از دوری نمی گذرد. اما در طی این سال ها اینگونه روش ها کاربرد زیادی را در تحقیقات مختلف داشته اند. الگوریتم ژنتیک به عنوان یکی از توانمند ترین این روش ها، جهت انجام بخش بهینه سازی در روش پیشنهادی بهره گیری شده است. یکی از مهمترنی انواع استراتژی های قطعه بندی، روش های ناحیه مبنا می باشند. جهت انجام این امر از یک روش قطعه بندی ناحیه مبنای پرکاربرد که ساختار امروزی آنالیزهای شئ مبنا را جهت دهی کرده است، بهره گیری شده است. روش قطعه بندی چندمقیاسه یک روش ادغام نواحی پایین به بالا می باشد که فرآیند خود را از پیکسل های منفرد شروع کرده و برمبنای 2 معیار عدم شباهت شکلی (هندسی) و طیفی استوار است. معیار عدم شباهت شکلی خود دارای دو پارامتر نرمی و فشردگی میباشد که یکی وابسته به دیگری است. چنانچه یک تصویر دارای 3 باند باشد، 6 پارامتر جهت تولید یک قطعه بندی توسط روش چندمقیاسه نیاز است. چنانچه هر پارامتر تنها با دقت 1/0 مدنظر باشد، 1000000 حالت مختلف جهت تولید یک قطعه بندی وجود دارد. در این تحقیق از الگوریتم ژنتیک جهت بهینه سازی این فضای پارامتری و در نهایت تولید یک قطعه بندی مناسب در منطقه مورد مطالعه بهره گیری شده است. در این تحقیق جهت اجرای فرآیند بهینه سازی از 7 تابع هزینه مختلف طیفی و هندسی بهره گیری شده است. در این تحقیق از دو استراتژی کیفی و کمی جهت ارزیابی نتایج بهره گیری شده است. هم از جهت کیفی و هم از نقطه نظر کمی بهینه سازی با استفاده از تابع هزینه دقت کلی دارای دقت 86% در تعمیم پذیری فرآیند قطعه بندی بهینه، بهترین نتیجه را در میان توابع هزینه مختلف داشته است. واژگان کلیدی: قطعه بندی چند مقیاسه ، الگوریتم ژنتیک ، بهینه سازی ، توابع هزینه ، آنالیز شئ مبنا ، روش سلسله مراتبی