Journal of Geomatics Science and Technology

fa ارائه یک سیستم طبقه بندی کننده چندگانه فازی برای ادغام داده های فراطیفی و لیدار A Multiple Fuzzy Classifier System for Fusion of Hyperspectral and LiDAR Data فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">محدودیتهای سنجندههای مختلف سنجش از دور و ضعف آنها در شناسایی عوارض مختلف باعث شد ادغام دادههای حاصل از سنجندههای مختلف به منظور بهبود نتایج طبقه بندی مورد توجه قرار گیرد. در میان سنجندههای مختلف کنونی، در سالهای اخیر دو سنجنده فراطیفی و لیدار به منظور طبقهبندی زمین بسیار پرکاربرد بودهاند. دادههای حاصل از لیدار اطلاعات ارتفاعی مناسبی را از عوارض زمینی به ویژه عوارض دارای ارتفاع مانند ساختمان فراهم میکنند در حالی که اطلاعات طیفی ضعیفی از عوارض ایجاد میکنند. در همین حال دادههای حاصل از سنجندههای فراطیفی اطلاعات طیفی مناسبی از عوارضی مانند خاک، آب و چمنزارها فراهم میکنند ولی اطلاعات ارتفاعی مناسبی از آنها در دسترس نیست. تحقیق پیش رو به منظور طبقهبندی بهتر عوارض زمینی، از مفهوم سیستم طبقه بندی کننده چندگانه فازی برای طبقه بندی دادههای فراطیفی و لیدار</span></span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">استفاده میکند. پس از استخراج فضای ویژگی برای هر دو داده فراطیفی و لیدار، از روش طبقه بندی فازی نزدیکترین همسایگی برای طبقه بندی فازی هر داده استفاده خواهد شد. روش ادغام مورد استفاده برای ادغام تصمیمات فازی، روش الگوی تصمیم گیری میباشد. به منظور ارزیابی هر چه بیشتر روش پیشنهادی، یک سیستم طبقه بندی کننده چندگانه تک مقداری نیز به منظور مقایسه نتایج با روش پیشنهادی فازی ارائه میشود. در قسمت تک مقداری از طبقه بندی کننده ماشین بردار پشتیبان </span></span><span dir="LTR">(SVM)</span><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> برای طبقه بندی هر داده بصورت مجزا استفاده میشود و در ادامه روش ادغام بیزین برای ادغام نتایج طبقه بندی در سطح تصمیم گیری مورد استفاده قرار میگیرد. روش پیشنهادی روی داده فراطیفی و لیدار دانشگاه هیوستون و محوطه شهری اطراف آن پیاده سازی شد. نتایج طبقه بندی فازی دادههای لیدار و فراطیفی 75% و 88% بوده است. این درحالی است که سیستم فازی ادغام طبقه بندی کنندهها دقت 96% را ایجاد کرده است. استفاده از ادغام طبقه بندی کنندهها باعث بهبود طبقه بندی کلاسهای زمینی میشود. به علاوه این تحقیق نشان میدهد سیستم طبقه بندی کننده چندگانه در حالت فازی در نهایت بیشترین افزایش دقت را در مقایسه با سیستمهای تک مقداری حاصل میکند.</span></span></div> <div style="text-align: justify;">Regarding to the limitations and benefits of remote sensing sensors, fusion of remote sensing data from multiple sensors is effective at land cover classification. All these data have different characteristics, e.g., different spatial and spectral resolutions, different angle of view, and different abilities and disabilities. For many applications, the information provided by individual sensors is incomplete, inconsistent, or imprecise. Fusion of information from different sensors can produce a better understanding of the observed site, which is not possible with single sensor. Particularly, Light Detection And Ranging (LiDAR) provides accurate height information for objects on the earth, which makes LiDAR become more and more popular in terrain and land surveying. On the other hand, hyperspectral imaging is a relatively new technique in remote sensing that acquires hundreds of images corresponding to different spectral channels. The rich spectral information of HS data increases the capability to distinguish different physical materials, leading to the potential of a more accurate image classification. As hyperspectral and LIDAR data provide complementary information (spectral reflectance, and vertical structure, respectively), a promising and challenging approach is to fuse these data in the information extraction procedure.<br> This paper presents a multiple fuzzy classifier system (Multiple Classifier System or MCS) for fusions of hyperspectral and LiDAR data based on Decision Template (DT). After feature extraction on each data, the classification was performed by fuzzy K-Nearest Neighbor (KNN) on hyperspectral and LiDAR data separately. In a multiple fuzzy decision system, a set of decisions is first produced and then combined by a specific fusion method. The output of the fuzzy classifiers that provide the class belongingness of an input pattern to different classes is arranged in a matrix form defined as decision profile (DP) matrix. Then, a fuzzy decision fusion method (Decision Tempate) is utilized to fuse the results of fuzzy KNNs on hyperspectral and LiDAR data. In order to assess the fuzzy MCS proposed method, a crisp MCS based on (Support Vector Machine) SVM as crisp classifier and Naive Bayes (NB) as crisp classifier fusion method is applied on hyperspectral and LiDAR data. The experiments were executed on a hyperspectral image and a LiDAR derived Digital Surface Model (DSM); both with spatial resolution of 2.5 m. The dataset have captured over the University of Houston campus and the neighbouring urban area by the NSF-funded Centre for Airborne Laser Mapping (NCALM). Also hyperspectral image has 144 spectral bands in 380 nm to 1050 nm region. Training and testing samples were selected from different areas of the images. They are spatially disjointed.<br> Fuzzy MCS on hyperspectral and LiDAR data provide interesting conclusions on the effectiveness and potentialities of the joint use of these two data. Overall accuracies of fuzzy classifiers on LiDAR and hyperspectral data are %75 and %88 respectively. Fusion of these two fuzzy classifiers produced %96 as overall accuracy. Second scenario for joint use of hyperspectral and LiDAR data is fusion of these two data through a crisp decision fusion system. The results show that fuzzy classifier provided higher accuracies than crisp classification based on SVM for both data. In the presence of  mixed  coverage  pixels  in  remote  sensing  data, crisp  classifiers  may  produce  errors  while  fuzzy  classifiers  are not  affected  by  such  errors  and  in  principle  can  produce  a  classification  that  is  more  accurate  than  any  crisp  classifier.  Also, fusion of ensemble of fuzzy classifiers based on Decision Template method produced more accuracy than fusion of crisp SVMs based on Bayesian Theory.</div> سیستم های طبقه بندی کننده چندگانه, داده فراطیفی, داده لیدار, طبقه بندی فازی, طبقه بندی تک مقداری Multiple Classifier System, Hyperspectral, LiDAR, Fuzzy Classification. Crisp Classification 57 72 http://jgst.issgeac.ir/browse.php?a_code=A-10-174-1&slc_lang=fa&sid=1 B. Bigdeli بهناز بیگدلی bigdeli@ut.ac.ir 10031947532846005389 10031947532846005389 Yes University of Tehran دانشگاه تهران