این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
The Journal of Humanities، جلد ۲۰، شماره ۲، صفحات ۷۹-۱۰۰
عنوان فارسی بهینه‌سازی الگوریتم خوشه‌بندی KFCM برای تصاویر فراطیفی به وسیله الگوریتم‌ بهینه‌سازی توده ذرات
چکیده فارسی مقاله سنجنده‌های فراطیفی با نمونه‌برداری دقیق از بازتاب اشیاء در قالب چندین باندطیفی باریک و به هم پیوسته، منبع اطلاعات بسیار ارزشمندی را برای تعیین کلاس‌های پوششی مختلف ایجاد می‌نمایند. با این وجود طبقه‌بندی داده‌های فراطیفی و استخراج این اطلاعات با مشکلاتی همراه است، که یکی از شناخته­شده­ترین آنها مربوط به در دسترس نبودن تعداد کافی از نمونه‌های آموزشی برای مرحله یادگیری الگوریتم است. یکی از راهکارهای ممکن برای رفع این مشکل استفاده از الگوریتم‌های طبقه‌بندی بدون‌نظارت (الگوریتم‌های خوشه‌بندی) مانند الگوریتم خوشه‌بندی فازی کرنل پایه (KFCM) است. الگوریتم خوشه‌بندی فازی کرنل پایه که از بازنویسی الگوریتم خوشه‌بندی فازی با استفاده از توابع کرنل حاصل می‌شود، معمولاً نتایج بهتری در مقایسه با سایر الگوریتم‌ها دارد. اما، در صورت استفاده از این الگوریتم برای خوشه‌بندی داده‌های فراطیفی، دقت الگوریتم KFCM، متاثر از ابعاد بالای داده و همچنین پارامتر تابع کرنل استفاده شده، کاهش می‌یابد. هدف از این مقاله، بهینه‌ کردن الگوریتم KFCM نسبت به پارامتر کرنل و ابعاد داده است که برای این کار، از الگوریتم بهینه­سازی توده ذرات (PSO) استفاده شده است. الگوریتم بهینه‌سازی توده ذرات یک ابزار قدرتمند بهینه‌سازی است که با الهام از رفتار پرندگان ایجاد شده و توانایی یافتن بهینه کلی مسائل را داراست. در این مقاله همچنین دو روش جدید برای بهینه‌سازی الگوریتم KFCM نسبت به پارامتر تابع کرنل و ابعاد داده پیشنهاد شده است. مقایسه نتایج این روش‌ها با روش‌های دیگر خوشه‌بندی نشان‌دهنده‌ی توانایی بالای آنها برای خوشه‌بندی داده‌های فراطیفی است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Optimization of KFCM Clustering of Hyperspectral Data by Particle Swarm Optimization Algorithm
چکیده انگلیسی مقاله Geographic information and analysis provide a wide range of data and techniques to monitor and manage natural resources. As an important case, in arid and semi-arid areas, water management is critical for both local governance and citizens. As a result, the estimation of water potential brought by snowmelt runoff and rainfalls seems to be very useful and important for these areas. Hydrological modeling needs vast knowledge about integrating all relating parameters. In this work, different data sources including the remote sensing observations, meteorological and geological data are integrated to supply spatially detailed inputs for Snowmelt Runoff Modeling in a watershed, located in Simin-Dasht basin in the northeast of Tehran, Iran. Because of high temporal frequency and suitable spatial coverage, MODIS optical images have been chosen to map snow cover. The MODIS 8-day snow map product with spatial resolution of 500m (MOD10A2.5) is used to compute the snow cover area. In addition, during the snowmelt period in 2006-2007, archived meteorological and geological data are used to provide snow runoff modeling (SRM) parameters and variables. Also Landsat ETM+ images with better spatial resolution (30m) and less temporal coverage (16 days) are used in 2007 snowmelt period to compare the model accuracy with same conditions. Evaluation of the runoff outputs in both of models reveals good agreement with real data that prove SRM capability in modeling basin’s daily and weekly runoff. Model accuracy shows better satisfactory of snow runoff modeling results within snow cover area derived from Landsat ETM+ data and MODIS snow product was less accurate in modeling. Although using MODIS model accuracy was less, but still it is recommended due to less further process and providing better temporal coverage during snowfall and snowmelt season. Future works in this criterion could be concentrated on SRM forecast improvement using fusion with other measurements or combining physical models.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سعید نیازمردی |
دانشجوی دکترا دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

امین علیزاده نایینی | alizadeh naeini
دانشجوی دکترا

سعید همایونی |
استادیار گروه جغرافی

عبدالرضا صفری |
دانشیار دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

فرهاد صمدزادگان |
استاد دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://eijh.modares.ac.ir/article_11008_d5ff7e68641f5cc37e37908e8020aec2.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات