fa بهبود صحت طبقه‌بندی تصاویر فراطیفی با استفاده از الگوریتم کلونی زنبورعسل مصنوعی فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:IRANsharp;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="letter-spacing:-0.1pt"><span lang="FA"><span b="" nazanin="">تصویربرداری فراطیفی به دلیل قابلیت تفکیک دقیق مواد، ابزاری قدرتمند در علوم زمین و سنجش از دور محسوب می‌شود. با این حال، چالش ذاتی پیکسل‌های مختلط که ناشی از محدودیت در قدرت تفکیک مکانی سنجنده‌ها است، دقت روش‌های طبقه‌بندی متعارف را به شدت کاهش می‌دهد. هدف اصلی این پژوهش، ارائه و ارزیابی یک رویکرد نوین مبتنی بر هوش جمعی برای بهبود فرایند جداسازی طیفی و در نتیجه، افزایش صحت طبقه‌بندی است. در این راستا، عملکرد الگوریتم کلونی زنبورعسل مصنوعی (</span></span>ABC<span lang="FA"><span b="" nazanin="">) به عنوان یک روش بهینه‌سازی سراسری که به فرض وجود پیکسل خالص در تصویر وابسته نیست، با سه الگوریتم هندسی مرسوم _ شاخص خلوص پیکسلی (</span></span>PPI<span lang="FA"><span b="" nazanin="">)، </span></span>N-Finder<span lang="FA"><span b="" nazanin="">، مخروط محدب با حداکثر زاویه متوالی (</span></span>SMACC<span lang="FA"><span b="" nazanin="">) _ مقایسه شده است. روش‌شناسی تحقیق بر روی مجموعه داده استاندارد </span></span>AVIRIS<span lang="FA"><span b="" nazanin=""> منطقه کوپریت نوادا پیاده‌سازی شد. پس از اعمال پیش‌پردازش‌های ضروری شامل تصحیحات اتمسفری (</span></span>FLAASH<span lang="FA"><span b="" nazanin="">) و کاهش ابعاد (</span></span>MNF<span lang="FA"><span b="" nazanin="">)، اندممبرهای کانی‌های شاخص (آلونایت، کائولینیت و کلسیدو) با استفاده از هر چهار الگوریتم استخراج شدند. کیفیت اندممبرهای استخراج‌شده با معیارهای کمی نظیر زاویه طیفی (</span></span>SAM<span lang="FA"><span b="" nazanin="">)، فاصله اقلیدسی (</span></span>ED<span lang="FA"><span b="" nazanin="">) و خطای میانگین مربعات (</span></span>RMSE<span lang="FA"><span b="" nazanin="">) در مقایسه با کتابخانه طیفی </span></span>USGS<span lang="FA"><span b="" nazanin=""> ارزیابی گردید. در نهایت، طبقه‌بندی تصویر با الگوریتم </span></span>SAM<span lang="FA"><span b="" nazanin=""> انجام و صحت نتایج با شاخص‌های صحت کلی (</span></span>OA<span lang="FA"><span b="" nazanin="">) و ضریب کاپا (</span></span>Kappa<span lang="FA"><span b="" nazanin="">) سنجیده شد. یافته‌های کلیدی نشان‌دهنده برتری مطلق الگوریتم </span></span>ABC<span lang="FA"><span b="" nazanin=""> است؛ به‌طوری‌که صحت کلی طبقه‌بندی را به 91.14% و ضریب کاپا را به 78.42% رساند، در حالی که بهترین عملکرد در میان روش‌های هندسی (</span></span>PPI<span lang="FA"><span b="" nazanin="">) به ترتیب صحت کلی 86.19% و کاپای 62.69% را ثبت نمود. این نتایج، فرضیه تحقیق را تأیید کرده و قابلیت اطمینان بالای الگوریتم </span></span>ABC<span lang="FA"><span b="" nazanin=""> را برای تحلیل دقیق تصاویر فراطیفی در محیط‌های واقعی و فاقد پیکسل خالص به اثبات می‌رساند.</span></span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Times New Roman;">Hyperspectral imaging, due to its capability in accurate material discrimination, is considered a powerful tool in Earth sciences and remote sensing. However, the inherent challenge of mixed pixels&mdash;arising from the limited spatial resolution of sensors&mdash;significantly reduces the accuracy of conventional classification methods. The main objective of this study is to propose and evaluate a novel swarm intelligence&ndash;based approach to improve spectral unmixing and consequently enhance classification accuracy. In this context, the performance of the Artificial Bee Colony (ABC) algorithm, as a global optimization method that does not rely on the assumption of pure pixels in the image, was compared with three conventional geometric algorithms: Pixel Purity Index (PPI), N-Finder, and Sequential Maximum Angle Convex Cone (SMACC). The research methodology was implemented on the standard AVIRIS dataset of the Cuprite region, Nevada. After applying essential preprocessing steps, including atmospheric correction (FLAASH) and dimensionality reduction (MNF), the endmembers of key minerals (Alunite, Kaolinite, and Chalcedony) were extracted using all four algorithms. The quality of the extracted endmembers was evaluated through quantitative metrics such as Spectral Angle Mapper (SAM), Euclidean Distance (ED), and Root Mean Square Error (RMSE), in comparison with the USGS spectral library. Finally, image classification was carried out using the SAM algorithm, and classification accuracy was assessed with Overall Accuracy (OA) and the Kappa coefficient. The key findings highlight the superior performance of the ABC algorithm, which achieved an overall classification accuracy of 91.14% and a Kappa coefficient of 78.42%, while the best result among geometric methods (PPI) recorded 86.19% OA and 62.69% Kappa. These results confirm the research hypothesis and demonstrate the high reliability of the ABC algorithm for precise hyperspectral image analysis in real-world environments lacking pure pixels.</span></span></div> تصویربرداری فراطیفی, استخراج اندممبر, کلونی زنبورعسل مصنوعی, جداسازی طیفی, صحت طبقه‌بندی, AVIRIS Cuprite Hyperspectral Imaging, Endmember Extraction, Artificial Bee Colony, Spectral Unmixing, Classification Accuracy, AVIRIS Cuprite 0 0 http://jgst.issgeac.ir/browse.php?a_code=A-10-677-1&slc_lang=fa&sid=1 Ali Asghar Torahi علی اصغر تراهی atorahi@khu.ac.ir 100319475328460011213 100319475328460011213 Yes Department of Geoinformatics, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran. دانشکده علوم جغرافیایی، دانشگاه خوارزمی