ΑΝΑΠΤΥΞΗ ΑΣΑΦΩΝ ΤΑΞΙΝΟΜΗΤΩΝ ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΚΑΛΥΨΗΣ ΓΗΣ ΤΗΣ ΛΙΜΝΗΣ ΚΟΡΩΝΕΙΑ ΜΕ ΧΡΗΣΗ ΠΟΛΥΦΑΣΜΑΤΙΚΩΝ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ VHR

Από RemoteSensing Wiki

Κατά τις τελευταίες δεκαετίες, το πρόβλημα της ταξινόμησης κάλυψης γης με χρήση πολυφασματικών δορυφορικών εικόνων έχει απασχολήσει σημαντικά την επιστημονική κοινότητα. Η ισορροπία μεταξύ της ακρίβειας ταξινόμησης και της αξιοπιστίας των θεματικών χαρτών που προκύπτουν, έχουν οδηγήσει στην διερεύνηση δύο βασικών γνωστικών περιοχών. Το πρώτο ζήτημα έγκειται στην αναζήτηση εξελιγμένων χαρακτηριστικών με σημαντικό πληροφοριακό περιεχόμενο, όπως μετασχηματισμένα χαρακτηριστικά Tasseled Cap, διάφορα χαρακτηριστικά υφής καθώς και χαρακτηριστικά που προέρχονται από μετασχηματισμό κυματιδίου. Επί πλέον, η έρευνα επικεντρώνεται στην ανάπτυξη πιο αποδοτικών ταξινομητών με βελτιωμένη απόδοση κατάτμησης και ταξινόμησης των εικόνων.

Παραδοσιακά, η έρευνα εστιάστηκε στη χρήση των πολυστρωματικών νευρωνικών δικτύων ως ταξινομητών, βασιζόμενη κυρίως στις ισχυρές δυνατότητες απεικόνισης των μοντέλων αυτών. Η θεωρία ασαφών συστημάτων προσφέρει, τελευταία, ένα σημαντικό εργαλείο για την ανάπτυξη ταξινομητών οι οποίοι είναι εύκολα ερμηνεύσιμοι από τους ειδικούς, ενώ παράλληλα επιτυγχάνει αποτελεσματική μοντελοποίηση της ασάφειας και της αοριστίας η οποία είναι εγγενής στην φύση και ειδικότερα στην ταξινόμηση κάλυψης γης. Οι ασαφείς ταξινομητές αναφέρονται συνήθως ως ελαστικοί ταξινομητές με μεταβλητούς βαθμούς συμμετοχής στις κλάσεις, σε αντιδιαστολή με τους κλασικούς ταξινομητές οι οποίοι παρέχουν βαθμούς συμμετοχής σε μία μόνο κλάση. Η σημασία τους στην ταξινόμηση ειδών είναι μεγάλη, δεδομένης της ύπαρξης μεικτών εικονοστοιχείων με αμφίβολα φασματικά χαρακτηριστικά.

Οι αλγόριθμοι ασαφούς ομαδοποίησης επεκτείνουν τις αρχές των κλασικών τεχνικών ομαδοποίησης προτύπων, εκμεταλλευόμενοι τα ελκυστικά χαρακτηριστικά της θεωρίας των ασαφών συνόλων. Κατά τα τελευταία χρόνια, η έρευνα έχει εστιαστεί στην ανάπτυξη αλγορίθμων επιβλεπόμενης ασαφούς ομαδοποίησης όπου χρησιμοποιούνται γενετικοί αλγόριθμοι για την βελτιστοποίηση των παραμέτρων. Συγκεκριμένα, οι γενετικοί αλγόριθμοι χρησιμοποιούνται για την τοποθέτηση των ομάδων στον χώρο των χαρακτηριστικών, θεωρώντας διαφορετικές μεθοδολογίες ασαφούς ομαδοποίησης, όπως fuzzy c-means και fuzzy k-NN. Γενετικοί αλγόριθμοι πολύ-παραγοντικής βελτιστοποίησης έχουν επίσης προταθεί με στόχο την διαδοχική βελτιστοποίηση πολλαπλών κριτηρίων αξιολόγησης, σε μια προσπάθεια να αντιμετωπισθεί το πρόβλημα του διαμερισμού του χώρου χαρακτηριστικών.

Στην περιοχή των ασαφών συστημάτων τα συστήματα βασισμένα σε ασαφείς κανόνες (fuzzy rule based systems, FRBS) παρέχουν την πιο διαισθητική παράσταση γνώσης. Συγκεκριμένα, αποτελούνται από ασαφείς κανόνες οι οποίοι προσομοιάζουν σε μεγάλο βαθμό στις λογικές προτάσεις και τον μηχανισμό απόφασης και εξαγωγής συμπερασμάτων του ανθρώπου. Αν και τα συστήματα FRBS έχουν τύχει εκτεταμένης εφαρμογής σε μια μεγάλη ποικιλία εφαρμογών, δεδομένου ότι προσδίδουν στους αναλυτές σημαντική ποιοτική πληροφορία του υπό εξέταση συστήματος, τα συστήματα ταξινόμησης βασισμένα στους ασαφείς κανόνες ταξινόμησης (Fuzzy Rule-Βased Classification Systems, FRBCS) έχουν μέχρι τώρα περιορισμένη χρήση στο πρόβλημα της ταξινόμησης κάλυψης γης. Από τα μέσα της περασμένης δεκαετίας, σημαντική ερευνητική προσπάθεια έχει αναλωθεί στην μελέτη των συστημάτων FRBCS σε συνέργεια με την χρήση γενετικών αλγορίθμων (genetic FRBCS, GFRBCS). Οι ταξινομητές GFRBCS συνδυάζουν τις ιδιότητας υψηλής ερμηνευσιμότητας των FRBCS με την αποτελεσματικότητα των εξελικτικών αλγορίθμων στην διερεύνηση μεγάλων χώρων λύσεων, με στόχο την αυτόματη εξαγωγή της βέλτιστης ασαφούς βάσης κανόνων. Επί πλέον, η εγγενής εισαγωγή της επιλογής χαρακτηριστικών στην διαδικασία αναζήτησης κανόνων, έχει οδηγήσει στην ανάπτυξη διαφορετικών μορφών GFRBCS σε μια πλειάδα εφαρμογών.

Σε μια προσπάθεια να εκμεταλλευτούμε τα πλεονεκτήματα των FRBCS και συγκεκριμένα των GFRBCS, στην εργασία αυτή προτείνεται ένας ταξινομητής GFRBCS για την ταξινόμηση κάλυψης γης με χρήση πολυφασματικών δορυφορικών εικόνων. Σε πρώτη φάση, το προτεινόμενο μοντέλο (Βoosted Genetic Fuzzy Classifier, BGFC) αναπτύσσεται διαδοχικά, χρησιμοποιώντας έναν εξελικτικό αλγόριθμο δημιουργίας κανόνων. Σε κάθε στάδιο της επαναληπτικής διαδικασίας, δημιουργείται ένας ασαφής κανόνας κάθε φορά. Χρησιμοποιείται ένας αλγόριθμος ενίσχυσης (boosting algorithm), ο οποίος απενεργοποιεί διαδοχικά τις περιοχές του χώρου χαρακτηριστικών οι οποίες έχουν ήδη καλυφθεί από ασαφείς κανόνες, έτσι ώστε οι νέοι κανόνες να δημιουργηθούν σε ακάλυπτες περιοχές. Ο αλγόριθμος ενίσχυσης ενθαρρύνει την συνεργασία μεταξύ των κανόνων κατά την φάση της δημιουργίας τους. Παρόλα αυτά, για την περαιτέρω ενίσχυση της συνεργασίας των κανόνων και την βελτίωση της συνολικής επίδοσης του ταξινομητή, προτείνεται μια δεύτερη φάση κατά την οποία τα ασαφή σύνολα του μοντέλου ρυθμίζονται με χρήση ενός γενετικού αλγορίθμου. Η δυνατότητα επιλογής χαρακτηριστικών σε τοπική βάση κατά το στάδιο εξαγωγής των κανόνων, αυτόματα καθορίζει τα σημαντικά χαρακτηριστικά στο τμήμα υπόθεσης του κάθε κανόνα. Η δυνατότητα αυτή επιτρέπει την αποτελεσματική διερεύνηση χώρων μεγάλων διαστάσεων. Με αυτό τον τρόπο, είναι δυνατόν να εισαχθούν προς διερεύνηση πιο εξελιγμένα χαρακτηριστικά υφής, γεγονός που αυξάνει την αποδοτικότητα ταξινόμησης.

Το προτεινόμενο μοντέλο ταξινόμησης GBGFC εξετάζεται για την ταξινόμηση κάλυψης γης της υγροτοπικής και της περιβάλλουσας αγροτικής περιοχής της λίμνης Κορώνεια. Η έρευνα αυτή διεξήχθη σε συνεργασία με το Εργαστήριο Τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών της Γεωπονικής Σχολής του ΑΠΘ και το Διαβαλκανικό κέντρο περιβάλλοντος. Σε αναγνώριση της οικολογικής σημασίας του οικοσυστήματος της λίμνης Κορώνεια και για την αποφυγή περαιτέρω υποβάθμισης της περιοχής, ο υγρότοπος της λίμνης προστατεύεται από μια σειρά από διεθνείς συνθήκες. Για την ταξινόμηση της περιοχής χρησιμοποιήθηκε μια δορυφορική εικόνα IKONOS με τέσσερα κανάλια στο ερυθρό και το εγγύς υπέρυθρο. Η κάλυψη της περιοχής διερευνήθηκε αρχικά από εργασία πεδίου και στην συνέχεια διαχωρίστηκε σε 13 συνολικά κλάσεις. Εξήχθη ένα εκτεταμένο σύνολο από 53 χαρακτηριστικά, τα οποία περιλαμβάνουν τα φασματικά κανάλια, μετασχηματισμένα φασματικά χαρακτηριστικά, χαρακτηριστικά υφής και χαρακτηριστικά προερχόμενα από μετασχηματισμό κυματιδίου. Η αποδοτικότητα του προτεινόμενου ταξινομητή αξιολογείται μέσα από εκτεταμένη διερεύνηση, σε σχέση άλλους παραδοσιακούς ταξινομητές της βιβλιογραφίας. Η συγκριτική ανάλυση αποδεικνύει την ανωτερότητα του GBFC τόσο στην ποσοτική απόδοση όσο και στην ποιότητα των θεματικών χαρτών που προκύπτουν.

Πηγή: ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΛΗΨΗΣ ΑΠΟΦΑΣΗΣ:ΑΝΑΠΤΥΞΗ ΑΣΑΦΩΝ ΤΑΞΙΝΟΜΗΤΩΝ ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΚΑΛΥΨΗΣ ΓΗΣ ΤΗΣ ΛΙΜΝΗΣ ΚΟΡΩΝΕΙΑ ΜΕ ΧΡΗΣΗ ΠΟΛΥΦΑΣΜΑΤΙΚΩΝ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ VHR, Ι. Θεοχάρης, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Εργαστήριο Αυτοματοποίησης και Ρομποτικής