بررسی عملکرد روش های یادگیری جمعی با توجه به روش انتخاب ویژگی، به منظور ادغام طبقه بندی کننده های انعکاسی و حرارتی با هدف شناسایی ابر، ابر سیروس و برف/یخ در تصاویر مادیس

تقریبا همه ی تصاویر سنجنده ی مادیس دارای قسمت های پوشیده از ابر هستند. به منظور استخراج اطلاعات صحیح از داده های مادیس، یکی از پیش پردازش های کلیدی شناسایی پیکسل های ابری و جداسازی آن از عوارض مشابه مانند برف/یخ است. ویژگی های مورد استفاده در طبقه بندی ابر به دو دسته ی ویژگی های بافتی و طیفی تقسیم می شوند. با استفاده از ویژگی های بافتی باند های مرئی امکان جداسازی پیکسل های ابر از پیکسل های برف/یخ فراهم می شود ولی ابر و برف می توانند دارای ویژگی های حرارتی مشابه باشند. همچنین از ویژگی های حرارتی (دما) در ماسک ابر مادیس به منظور شناسایی ابر ها در ارتفاع های مختلف استفاده شده است. مطالعات زیادی به منظور طبقه بندی پوشش سطح زمین با استفاده از روش های یادگیری جمعی انجام شده است و از این روش ها صرفا به منظور طبقه بندی استفاده شده است. در این تحقیق کاربردی جدید از روش های یادگیری جمعی در مقایسه با مطالعات پیشین مطرح شده است و از این روش ها به منظور ادغام دو نوع مختلف از طبقه بندی کننده ها که نوع اول طبقه بندی کننده هایی با ویژگی های انعکاسی و نوع دوم با ویژگی های حرارتی هستند، استفاده شده است. همچنین در مطالعات پیشین، اثر تغییر ویژگی های ورودی بر عملکرد نهایی روش های یادگیری جمعی مورد بررسی قرار نگرفته است. بنابراین هدف این تحقیق مقایسه ی نتیجه ی ادغام طبقه بندی کننده های با ویژگی های انعکاسی و حرارتی با استفاده از دو نوع از روش های یادگیری جمعی شامل boosting و الگوریتم جنگل تصادفی(RF)، به منظور شناسایی پیکسل های ابری، سیروس و برف/یخ با توجه به روش انتخاب ویژگی می باشد. ابتدا به منظور انتخاب ویژگی های انعکاسی و حرارتی در روش های boosting به کار گرفته شده، شامل adaboost.M1، adaboostSVM،logitboost و totalboost از روش های معیار S و الگوریتم ژنتیک (GA) و در روش RF علاوه بر روش های ذکر شده از روش حذف ویژگی به روش بازگشتی (RFE) و ماتریس کارلیشن استفاده شد. سپس طبقه بندی کننده ها در سطح تصمیم با یکدیگر ادغام شدند. برای اکثر روش های یادگیری جمعی صرف نظر از روش انتخاب ویژگی، دقت تولید کننده ی ابر وسیروس بالایی دست آمد. استفاده از دو روش RFE و ماتریس کارلیشن در الگوریتم RF توانست دقت کاربری پیکسل های ابر به ترتیب 99% و 100% را نتیجه دهد که نسبت به حالتی که از روش های معیار S و الگوریتم ژنتیک (GA) برای انتخاب ویژگی استفاده شد، دقت های بالا تری را نشان داد. روش های boosting صرف نظر از روش انتخاب ویژگی با اختصاص وزن بیشتر به داده های آموزشی مربوط به کلاس با تعداد داده های آموزشی کم تر، توانستند به دقت تولید کننده ی برف/یخ بالا تری تسبت به الگوریتم RF دست یابند. همچنین این روش ها دقت کاربری سیروس نسبتا بالا تری نسبت به روش های RF نتیجه دادند. در بین روش های انتخاب ویژگی مختلف در RF روش ماتریس کارلیشن توانست دقت کاربری سیروس 91% را نتیجه دهد. در انتها، میزان توافق نتایج طبقه بندی با نقشه ی مرجع به دست آمده از ماسک ابر مادیس محاسبه شد. روش های RF درصد توافق های بالا تری نسبت به روش های boosting نتیجه دادند. بالا ترین درصد توافق برای روش RF-RFE به مقدار 76% و پایین ترین برای روش logit boost-GA به مقدار 42% به دست آمد.