طبقهبندی اطلاعات مربوط به پوشش زمین با استفاده از تصاویرحدتفکیکبالای مکانی به دلیل پیچیدگی مناظر، موضوع چالش‌برانگیزی است. مطالعات اولیه طبقهبندی پوششزمین با استفاده از روش‌های آماری مانند طبقهبندی حداکثر احتمال صورت میگرفت. بااین‌حال، مطالعات جدیدتر از تکنیک‌های هوشمصنوعی مانند شبکه‌های عصبی مصنوعی و ... به‌عنوان جایگزین برای کاربردهای طبقهبندی استفاده کرده‌اند. یک مشکل عمده در استفاده از این مدل‌ها اینست که کاربر نمی‌تواند به‌راحتی قواعد نهایی را درک کند.این تحقیق یک چارچوب جدید برای طبقهبندی تصاویرسنجشازدور با استفاده از ترکیبی از قوانین هستیشناختی و تجزیهوتحلیل تصویر مبتنی بر شیارائه میکند. این مقاله تا حدی تلاش میکند تا چند شکاف در این زمینه را تسهیل کند، به‌ویژه با استفاده از تجزیهوتحلیلتلفیقی و فرآیند کنترل که بهمنظور اصلاح روند آموزش و پایش دادههای آموزشی صورت میپذیرد.درعینحالاز ویژگیهای ترکیبی و دادههای آموزشی بر اساس ویژگیهای هستیشناسی کلاسهای هدف نیز استفاده شد. ساختار کلی روش پیشنهادی، ادغام روش‌های مبتنی بر دانش وSVMاست. روش مبتنی بر دانش برای مدلسازی روابط آنتولوژی با هدف آموزش و کنترل پروسه تصمیم‌گیریSVMاجرا میشود. درنهایتبهمنظورارزیابی روش، مجموعه‌ای از تصاویر تست از دو منطقه جغرافیایی مختلف و در هر منطقه چند تصویر تست شامل عوارض با ساختارهای مختلف،برای اعتبارسنجی استفاده شد. درنهایت، روش پیشنهادی با دقت کلی 80/82 درصد بهصورتمیانگیندر تمام تصاویر تست دقت مناسبی از خود نشان داد.
Kiani A, Ebadi H, Farnood Ahmadi F. Automatic Interpretation of UltraCam Imagery by Combination of Support Vector Machine and Knowledge-based Systems. JGST 2019; 9 (1) :207-223 URL: http://jgst.issgeac.ir/article-1-778-fa.html
کیانی عباس، عبادی حمید، فرنود احمدی فرشید. الگوریتم ماشین بردار پشتیبان مبتنی بر قوانین آنتولوژی جهت تفسیر تصاویر رقومی التراکم. علوم و فنون نقشه برداری. 1398; 9 (1) :207-223
