Journal of Geomatics Science and Technology

fa ارائه روشی نوین بر پایه الگوریتم های یادگیری چندکرنلی برای طبقه بندی محصولات کشاورزی با استفاده از سری های زمانی چند متغیره A Novel Method Based on the Multiple Kernel Learning Algorithms for Crop Mapping using Multivariate Satellite Image Time-Series فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research امروزه، تشخیص دقیق نوع محصولات کشاورزی با استفاده از طبقهبندی سریهای زمانیِ حاصل از تصاویر سنجندههای مختلف سنجش از دوری، رو به افزایش است. دستهای از سریهای زمانی که با استفاده از تصاویر سنجندههای چندطیفی و یا فراطیفی ایجاد می&zwj;شوند، از نوع سریهای زمانی چندمتغیره هستند. علیرغم محتوای بالای اطلاعاتی این نوع از سریهای زمانی، الگوریتمهای طبقهبندی موجود، به دلیل چهار- بعدی بودن این نوع از دادهها، قادر به طبقهبندی آنها نیستند. در مقاله پیش رو، به منظور رفع این مشکل و طبقه&zwj;بندی سریهای زمانی چندمتغیره، روشی بر پایهی استفاده از الگوریتمهای یادگیری چندکرنلی ارائه شده است. در این روش، ابتدا یک کرنل با استفاده از دادهی اخذ شده در هر تاریخ، ساخته میشود و سپس این کرنلها با استفاده از الگوریتمهای یادگیری چندکرنلی در قالب کرنلی به نام کرنل ترکیبی، با یکدیگر ادغام میشوند. سپس از کرنل ترکیبی حاصل، برای طبقهبندی دادهها در الگوریتمهای طبقهبندی مبتنی بر کرنل استفاده میشود. در ادامه برای ارزیابی روش پیشنهادی، از دو سریزمانیِ تصاویر سنجش از دوری مختلف استفاده شده است. هر دو سریزمانی شامل ده تصویر اخذ شده توسط سنجندههای RapidEye هستند که از منطقهای کشاورزی در کشور کانادا تهیه شدهاند. از روش الحاق دادهها، که در آن دادهی زمانهای مختلف سریزمانی در قالب یک مکعب داده به هم الحاق میشوند، به عنوان روش معیار برای مقایسه با روش پیشنهادی استفاده شده است. کرنل ترکیبی حاصل از روش پیشنهادی و همچنین کرنل حاصل از روش الحاق دادهها، برای آموزش الگوریتم طبقهبندی ماشینهای بردار پیشتیبان بکار گرفته شده است. در این مقاله برای محاسبه کرنل ترکیبی، علاوه بر استفاده از چند الگوریتم متداول یادگیری چندکرنلی، الگوریتم یادگیری چندکرنلی تعمیم یافته نیز برای نخستین بار در حوزه طبقهبندی سریزمانی معرفی شده است. مقایسه دقت طبقهبندی الگوریتم ماشینهای بردار پیشتیبان در دو حالت، نشان دهندهی دقت بسیار بالاتر روش پیشنهادی بود. همچنین نتایج مقایسه الگوریتمهای مختلف یادگیری چندکرنلی در چارچوب روش پیشنهادی، نشان داد که الگوریتم یادگیری چندکرنلی تعمیم یافته علاوه بر دقت بیشتر، حساسیت کمتری نیز به نویز موجود در سریهای زمانی دارد.  Satellite image time-series (SITS) data are a set of satellite images acquired from the same geographic area over a period of time. SITS data, due to their ability to capture the dynamic spectral behavior of the crop during their growing season, have been increasingly used for accurate crop mapping. The time-series obtained from the multispectral or hyperspectral sensors can be considered as multivariate time-series. The classification of these type of time-series data is a challenging task. This is mainly due to the fact that these data can be considered as a four-dimensional data, so the available classification algorithms cannot be used for their classification. To address this issue, in this paper by using the Multiple Kernel Learning (MKL) algorithms, a novel method for classification of multivariate time-series data is proposed. MKL algorithms are a group of kernel learning algorithms that make it possible to use a combination of kernels instead of a single one for kernel-based learning algorithm such as classification.  In the proposed method, initially one kernel is constructed from data of each time of the time-series and then by using the MKL algorithms, these kernels are optimally combined into a composite kernel. The obtained composite kernel, once constructed, can be used to classify the time-series data by using all the kernel-based classification algorithms.  In order to evaluate the proposed method, two time-series data were used. Both these time-series consisted of 10 different RapidEye imageries, acquired over an agricultural area in Manitoba, Canada. Both these time-series contained the main crop types of the region such as wheat, corn, canola, and soybean. In order to evaluate the effects of different MKL algorithms in the framework of the proposed method, in addition to the common MKL algorithms, the Generalized Multiple Kernel Learning algorithm (GMKL) was adopted as the MKL algorithms in the proposed Method. The GMKL is one of the most recent MKL algorithms proposed in machine learning literature, which has not been evaluated for the time-series data analyses. As a benchmark for comparison with a single kernel method, stacking method, in which the data acquired at different times are stacked into a single data cube, was used. The composite kernel obtained from the proposed algorithm with adopting different MKL algorithms and the kernel constructed from the data cube obtained from the stacking of the data were used to train of a Support vector machine algorithm. The obtained classification accuracies of the SVM showed a dramatic increase (at least 4.9% increase in the overall accuracy of the classification) in the case of using the kernel obtained from the proposed method in comparison with the case of using the kernel obtained from the stacked data cube. Moreover, the GMKL algorithm showed a higher performance in comparison to other MKL algorithms in the context of the proposed method for multivariate time-series classification.  In addition, the proposed method showed better performance in the presence of cloud and cloud shadows in the data. This is because the MKL algorithms can reduce the negative effects of the cloud contaminated images within the time-series. طبقه بندی سری زمانی, سری زمانی چندمتغیره, الگوریتم یادگیری چندکرنلی, الگوریتم یادگیری چندکرنلی تعمیم یافته Time-Series Classification, Multivariate Time-Series, Multiple Kernel Learning, Generalized Multiple Kernel Learning 223 233 http://jgst.issgeac.ir/browse.php?a_code=A-10-574-1&slc_lang=fa&sid=1 S. Niazmardi سعید نیازمردی s.niazmardi@ut.ac.ir 10031947532846005287 10031947532846005287 Yes School of Surveying and Geospatial Engineering, College of Engineering, U. of Tehran - دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی پردیس دانشکده‌های فنی دانشگاه تهران A. Safari عبدالرضا صفری asafari@ut.ac.ir 10031947532846005288 10031947532846005288 No School of Surveying and Geospatial Engineering, College of Engineering, U. of Tehran - دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی پردیس دانشکده‌های فنی دانشگاه تهران S. Homayouni سعید همایونی saeid.homayouni@uOttawa.ca 10031947532846005289 10031947532846005289 No Dept. of Geography, Environment and Geomatics, U. of Ottawa گروه جغرافیا، محیط زیست و ژئوماتیک دانشگاه Ottawa