چکیده:
تصاویر سنجش ازدور ابزاری مناسب جهت برآورد عمق در مناطق ساحلی است. در این پژوهش، به منظور مطالعه مناطق کم عمق ساحلی، از تصاویر لندست-8 و دادههای هیدروگرافی که با روش اکوساندر جمع آوری شده استفاده شده است. هدف از این پژوهش، عمق سنجی از نواحی جنوب شرقی ساحل دریای خزر از طریق آموزش شبکه عصبی است. تصحیح اتمسفری Dark Object Subtract (DOS)، تصحیح رادیومتریکی (تبدیل درجات روشنایی به بازتاب)، تصحیح درخشندگی خورشید و در نهایت ماسک کردن مناطق آبی از مناطق خشکی، از جمله پیشپردازشهای لازم است که بر روی باندهای آبیساحلی، آبی، سبز و قرمز تصویر لندست-8 اعمال شده است. در این پژوهش برآورد عمق از طریق شبکه عصبی در دو حالت بررسی گردد. در حالت اول، هر یک از چهار باند به عنوان دادههای ورودی و دادههای عمق متناظر با هر یک از این پیکسلها به عنوان هدف به شبکه عصبی معرفی گردید. و در حالت دوم، دادههای عمق به روش میانگین فازی، به شش کلاس تقسیمبندی شدند و اطلاعات هر کلاس بصورت جداگانه به شبکه ارائه شد. در هر دو حالت مورد بررسی، سهم دادههای آموزشی، دادههای اعتبارسنجی و دادههای آزمون از دادههای ورودی به ترتیب 60 درصد، 10 درصد و 30 درصد میباشد. نتایج حاصل از شبکه عصبی نشان میدهد که دقت عمق برآورد شده در کلاسههای مختلف، متفاوت است و بیشترین دقت ( RMSE =0.11و0.90 R2 =) و کمترین دقت ( RMSE =0.11و0.67 R2 =) به ترتیب به محدوده عمقهای 97/3- تا 1/3- و 48/4- تا 4- اختصاص دارد. در حالیکه عمق برآورد شده از دادههای کل (کلاسهبندی نشده) معادل R2 = 0.94و RMSE =0.16متر بدست آمد. از این رو، با آموزش شبکه عصبی میتوان به برآورد عمق از نواحی کم عمق ساحلی با دقت بالا پرداخت.
Remote sensing method known an appropriate tool for estimating depth in the coastal environment of the limited reaches. The purpose of this study is to measure the depth of the southeastern coast of the Caspian Sea through the training of the neural network. In order to estimate depth, Landsat-8 images and hydrographic data collected using the echosounder, have been used. Atmospheric correction of Dark Object Subtract (DOS), radiometric correction (turning digital number to reflection), the sun glint correction, and eventually masking the water body from the land area, applied on the coastal blue, blue, green and red bands. These steps known as pre-processing. In this study, depth estimation through the neural network is investigated in two states. In the first case, each of the four bands as input and real depth corresponding to each of these pixels as target was introduced to the neural network. In the second case, the depth data were clustered to seven clusters by the fuzzy C-mean (FCM) method. After clustering, the data of each cluster was separately presented to the network. In both cases, the share of train data, validation data and test data from input data is 60%, 10% and 30%, respectively. The results of the neural network indicate that the accuracy of the estimated depth in various clusters is different, and the highest accuracy (R2 = 0.90, RMSE= 0.11) and the lowest accuracy (R2 = 0.67, RMSE= 0.11) belong to cluster (1) and cluster (3) respectively. As well as, the estimated depth in no clustered data, evaluated with high accuracy )R2 = 0.98, RMSE = 0.16).Then, neural network method is able to estimate depth from shallow coastal waters with high accuracy.
خلاصه ماشینی:
نتايج حاصل از شبکه عصبي نشان مي دهد که دقت عمق برآورد شده در کلاسه هاي مختلف ، متفاوت است و بيشترين دقت (٠.
مزيت اين روش آن است که از طريق آموزش شبکه ، قادر به برقراري ارتباط ميان درجات روشنايي با مقادير عمق بوده و با توجه به پارامترهاي مجهولي همچون تنوع در جنس بستر و ستون آب مي تواند به عنوان روشي ساده جهت عمق سنجي مورد استفاده واقع شود (ابراهيمي کيا و همکاران ، ۱۳۹۲).
هدف از اين پژوهش ، استفاده از بازتاب ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ 1 Clay ۲ Calkoen ۳ Roberts and Anderson ۴ Feurer ۵ Lyzenga ۶ Stumpf ۷ Su ۸ Bramante ۹ Ceyhun and Yalçın ۱۰ Principal Component Analysis باندهاي مرئي پيش پردازش شده لندست -۸ و داده هاي ميداني ، به برآورد عمق و تهيه نقشه عمق از طريق آموزش شبکه عصبي است .
عمق يک بار از روي کل داده هاي هيدروگرافي و بار ديگر از کلاسه هاي مختلف که به روش ميانگين فازي کلاسه بندي شده است بدست مي آيد و نتايج دقت در هر يک از کلاسه ها مورد بررسي قرار مي گيرد.
تعيين تعداد کلاسه ها براساس ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ ۱ Sun Glint ۲ Hedley ۳ Jagalingam ۴ Neuron ۵ Priddy ۶ Keller ۷ Thieme ۸ Huang ۹ Brouthers ۱۰ Fuzzy C-means Clusterin ۱۱ Matlab ۱۲ Bezdek دانش فردي يا روش هاي آماري است .
نتيجه اين تقسيم بندي و هيستوگرام هر کلاس به ترتيب در شکل هاي (۳) و (۴) نشان داده شده است .