خرائط الغطاء الأرضي
المحتويات
في البداية، خرائط الغطاء الأرضي هي أدوات توفر معلومات حيوية حول استخدام الأرض وأنماط الغطاء. فهي تساعد في تطوير السياسات والتخطيط الحضري ومراقبة الغابات والزراعة. وتعرض الأقسام التالية جوانب أخرى من الموضوع.
ومن ناحية أخرى، غالبًا ما يتبع رسم الخرائط المنهجي لأنماط الغطاء الأرضي ، بما في ذلك اكتشاف التغيير ، نهجين رئيسيين:
لتصنيف الخاضع للإشراف
إضافةً إلى ذلك، التصنيف الخاضع للإشراف هو نظام تصنيف يقوم فيه المستعمل ببناء سلسلة من مجموعات بيانات التدريب التي يتم إنشاؤها عشوائيًا أو التوقيعات الطيفية التي تمثل فئات مختلفة لاستخدام الأراضي والغطاء الأرضي (LULC) ويطبق مجموعات البيانات هذه في نماذج التعلم الآلي للتنبؤ بـ LULC وتصنيفه مكانيًا الأنماط وتقييم دقة التصنيف.
الخوارزميات[عدل]
من جانب آخر، K- يعني التجميع - أسلوب يستخرج فيه الكمبيوتر تلقائيًا ميزات الغطاء الأرضي k من صور الأقمار الصناعية ، ويصنف الصورة الكلية بناءً على الوسائل المحسوبة للمعالم المستخرجة.
- أنظر كذلك
- الغطاء الأرضي
- مؤشر الغطاء النباتي
وعلى صعيد آخر، تقنية تحليل البيانات التكرارية ذاتية التنظيم (ISODATA) - في هذا النهج ، يقوم المصنف تلقائيًا بتجميع عدد من وحدات البكسل ذات الصلة الوثيقة في مجموعات ، ثم يحسب المجموعات المتوسطة ويصنف الغطاء الأرضي بناءً على سلسلة من التكرارات المتكررة.
التصنيف غير الخاضع للرقابة[عدل]
وفي السياق ذاته، التصنيف غير الخاضع للإشراف هو نظام تصنيف يتم فيه تصنيف وحدات البكسل أو مجموعات البكسل تلقائيًا بواسطة البرنامج دون أن يقوم المستعمل بتطبيق ملفات التوقيع أو بيانات التدريب. ومع ذلك ، يحدد المستعمل عدد الفئات التي سينشئ الكمبيوتر تلقائيًا لها عن طريق تجميع وحدات البكسل المماثلة في فئة واحدة باستخدام خوارزمية التجميع. يستعمل نظام التصنيف هذا في الغالب في المناطق التي لا توجد بها ملاحظات ميدانية أو معرفة مسبقة بأنواع الغطاء الأرضي المتاحة.
آلات ناقلات الدعم (SVMs) - نهج تصني
وفي هذا الصدد، K- أقرب خوارزمية جيران ( k ‑ NN) - يرسم هذا الأسلوب أقرب عينات من مجموعات بيانات التدريب ويصنف الغطاء الأرضي بناءً على المسافة بين هذه العينات.
من جانب آخر، شجرة القرار (DT) - مثل التردد الراديوي ، تشكل DT مجموعة من العقد المتصلة التي تقسم عينات التدريب إلى مجموعة من مجموعات الغطاء الأرضي. وتتمثل مزاياه في أنه سريع وسهل الإنشاء والتفسير للبيانات الأصغر ، وجيد في استبعاد الخلفية أو المعلومات غير المهمة. إنه غير ملائم لأنه يمكن أن يؤدي إلى زيادة التجهيز ، خاصة لمجموعات البيانات الكبيرة.
إضافةً إلى ذلك، Random Forest (RF) - أسلوب يستعمل فيه المصنف bootstraps لإنشاء الكثير من أشجار القرار التي تصنف مجموعات بيانات التدريب بناءً على عدد من نطاقات صور الأقمار الصناعية.
مجموعات ضبابية (منطقة حرة
من جهة ثانية، ف يستعمل فيه المصنف نواقل الدعم للحصول على حدود القرار المثلى التي تفصل بين فئتين أو أكثر من فئات الغطاء الأرضي.
الخوارزميات[عدل]
من جانب آخر، التصنيف المتوازي - مصنف مساحة الميزة الذي يقوم بتعيين نطاق من القيم لكل فئة غطاء أرضي داخل كل نطاق صورة وإنشاء مربعات محيط حيث يتم تحديد وحدات البكسل من كل فئة غطاء أرضي لتدريب المصنف.
وفي هذا السياق، الحد الأدنى للمسافة (MD) - شكل من أشكال التصنيف الخاضع للإشراف الذي يحدد حدود القرار بين بكسلات الصورة لتصنيف الغطاء الأرضي. يتم تشكيل حدود القرار عن طريق حساب متوسط المسافة بين بكسلات الفئة واستخدام الانحراف المعياري لمجموعات بيانات التدريب التي تم إنشاؤها لإنشاء مربع متوازي السطوح .
إضافةً إلى ذلك، مخطط الصياد الطيفي (SAM) - أسلوب تصنيف طيفي للصور يستعمل القياسات الزاويّة لتحديد العلاقة بين طيفين ، ومعاملتهما كمتجهات في فضاء q الأبعاد ، حيث تمثل الأبعاد q عدد النطاقات.
في هذا الإطار، الفضاء الجزئي - أسلوب تصنيف يقوم فيه المصنف بإنشاء مساحات فرعية ذات أبعاد منخفضة لكل فئة غطاء أرضي يتم اختيارها من مجموعة من نقاط التدريب. يتضمن نهج إنشاء الفضاء الجزئي الأبعاد إجراء تحليل مكون رئيسي على نقاط التدريب. يوجد نوعان من خوارزميات الفضاء الجزئي لتقليل أخطاء تصنيف الغطاء الأرضي: ضغط المعلومات المميزة بالفئة (CLAFIC) وطريقة الفضاء الجزئي للتعلم المتوسط (ALSM).
وفي السياق ذاته، التحليل التمييزي (DA) - نظام تصنيف تفصل فيه خوارزمية التصنيف مجموعات بكسلات الصورة وثيقة الصلة إلى فئات ، وتقليل التباين داخل الفئات ، وتعظيم التباين بين الفئات باتباع قاعدة تمييز احتمالية قصوى.
من جانب آخر، الخوارزمية الجينية - نظام تصنيف يطبق المبادئ الجينية لاختيار مجموعات مناسبة من بيانات التدريب وتصنيفها تحت تأثير المتنبئين (نطاقات صور الأقمار الصناعية).
وفي هذا الصدد، تم تطوير الكثير من خوارزميات التعلم الآلي للتصنيف الخاضع للإشراف.
من جانب آخر، تصنيف الاحتمالية القصوى (MLC) - يصنف هذا الأسلوب التواقيع المتداخلة عن طريق تقدير احتمال أن بكسل الصورة مع أقصى احتمال يتوافق مع نوع LULC معين. كما أنه يعتمد على مصفوفات المتوسط والتغاير لمجموعات بيانات التدريب ويفترض أهمية إحصائية لبكسل الصورة.
وعلى صعيد آخر، مسافة ماهالانوبيس - نظام تصنيف يستعمل خوارزمية المسافة الإقليدية لتعيين فئات الغطاء الأرضي من مجموعة من مجموعات بيانات التدريب.
علاوةً على ذلك، الشبكات العصبية الاصطناعية متعددة الإدراك الحسي (MP ‑ ANNs) - نظام تصنيف يستعمل فيه المصنف سلسلة من الشبكات العصبية أو العقد لتصنيف الغطاء الأرضي بناءً على عمليات الانتشار العكسي لعينات التدريب.
المسح الميداني
ومن جهة أخرى، الاستشعار عن بعد معالجة صور الأقمار الصناعية . يستعمل هذا النهج الفعال من حيث التكلفة الكثير من التقنيات للمعالجة المسبقة للصور ومعالجتها لرسم خرائط دقيقة لأنماط الغطاء الأرضي. تكتشف هذه التقنيات التغييرات في مختلف المقاييس المكانية بعد سلسلة من محاكاة التعلم الآلي والتطبيقات الإحصائية .
📝 هل في هذه المقالة خطأ؟
إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.
ما رأيك في هذه المقالة؟