روش‌های مختلف طبقه‌بندی داده پلاریمتری به‌طورکلی در سه گروه قرار می‌گیرند. (1) روش‌های آماری، (2) روش‌های برمبنای مکانیسم پراکنش و (3) روش‌های دانش‌مبنا. در این مقاله روشی دانش‌مبنا و شیءمبنا برای طبقه‌بندی داده‌ی پلاریمتری مطرح‌شده است که در آن روش طبقه‌بندی SVM-DT برای تلفیق دانش در سه بخش دانش اولیه، دانش حاصل از داده پلاریمتری و دانش خبره توسعه داده‌شده است. دانش حاصل از داده (آماری، فیزیکی و مکانی) در مراحل تعیین طرح درختی، ویژگی برای طبقه‌بندی کننده SVM و همچنین در انتخاب ویژگی‌های بهینه به کار گرفته می‌شود. دانش اولیه برای توازن تعداد داده‌های آموزشی در طبقه‌بندی کننده SVM استفاده می‌شود. درنهایت دانش خبره نیز در دو مرحله ایجاد طرح درختی و همچنین انتخاب ویژگی‌های بهینه درروش پیشنهادی استفاده می‌شود. داده پلاریمتری سنجنده رادارست-2 از منطقه‌ی جنگلی Petawawa کانادا با شش کلاس بلوط قرمز (Or)، کاج سفید (PW)، صنوبر سیاه (Sb)، آب (Wa)، منطقه‌ی شهری (Ur) و پوشش گیاهی (GV) برای پیاده‌سازی این تحقیق انتخاب‌شده است. برای بررسی تأثیر دانش‌های مختلف درروش پیشنهادی 6 طبقه‌بندی کننده در آزمایش‌ها مقایسه شده است: طبقه‌بندی کننده ویشارت، SVM با تمام ویژگی‌ها، SVM-DT با تمام ویژگی‌ها، SVM-DT شیءمبنا با تمام ویژگی‌ها، SVM-DT شیءمبنا همراه با انتخاب ویژگی و SVM-DT شیءمبنا با انتخاب ویژگی و دانش اولیه. نتایج نشان داد اضافه شدن دانش‌های مختلف به طبقه‌بندی تأثیر مثبت و خوبی بر روی کلاس‌های جنگل دارد اگرچه برخی از این دانش‌ها در کلاس‌های دیگر بی‌تأثیر و یا حتی تأثیر منفی دارند. درنهایت دقت کلی روش پیشنهادی حدود 87 درصد حاصل شد که در مقایسه با روش ویشارت 15 درصد و در مقایسه با طبقه‌بندی کننده SVM، 9 درصد بهبود داشته است.
M. Jafari, M. J. Valadanzoej, Y. Maghsoudi. Knowledge-based Classification of Polarimetric SAR data using Support Vector Machine-Decision Tree (SVM-DT) . JGST 2015; 5 (1) :93-108 URL: http://jgst.issgeac.ir/article-1-206-fa.html
جعفری محسن، ولدان زوج محمد جواد، مقصودی یاسر. طبقه‌بندی دانش‌مبنای داده‌های پلاریمتری رادار با روزنه ترکیبی با استفاده از روش Support Vector Machine-Decision Tree (SVM-DT). علوم و فنون نقشه برداری. 1394; 5 (1) :93-108
