رسالة ماجستير تبحث استخدام الشبكات العصبية في تصنيف الصور الفضائية للاهوار

Print Friendly, PDF & Email

ناقش قسم الفيزياء في كلية التربية للعلوم الصرفة (ابن الهيثم) رسالة الماجستير الموسومة (تصنيف منطقة اهوار العراق باستعمال طريقة الشبكات العصبية) (في تخصص معالجة الصور الرقمية)  للطالب ( محمد احمد محمد) التي انجزت باشراف التدريسية في القسم ( أ.م.د. تغريد عبد الحميد ناجي ) .

وتهدف الرسالة الى تطبيق طريقة التصنيف الموجه على منطقة الأهوار العراقية باستخدام تقنية الشبكات العصبية الاصطناعية التي تعد كأحدى طرائق الذكاء الاصطناعي و دراسة معلمات هذه التقنية وتأثيرها على جودة التصنيف باستخدام وظيفتين للتنشيط (لوجستية وزائدية) .

وتضمنت الدراسة عرض طرائق التصنيف الموجه بواسطة الشبكات العصبية الاصطناعية  (ANN)  وطريقة الاحتمالية العظمى لصورة القمر الصناعي Landsat_8 OLI المتحسسة عن بعد لمنطقة اهوار العراق. يعد ANN الجزء الأكثر أهمية في الذكاء الاصطناعي (AI) ، حيث يعكس تطورا هاما في التفكير البشري. مع تطور هذه الأساليب ، تطورت استعمالاتها.

    يستعمل تصنيف ANN على نطاق واسع في تطبيقات الاستشعار عن بعد. لتقدير تأثر دوال التنشيط (AFs) على دقة التصنيف ، تم تطبيق دالتي تنشيط (AFs) لتصنيف مشهد القمر الصناعي، هما; اللوجيستة والقطع الزائد. تم اختيار مجموعة من المعلمات تجريبيًا لإعطاء أفضل النتائج لكل دالة تنشيط بإستعمل برنامجENVI   أصدار 5.3.

     تم إجراء تحليل تأثير استعمال عدد مختلف من الطبقات المخفية لعدد تكرار ثابت على دقة التصنيف وحساب الوقت المطلوب. أظهرت النتائج التجريبية أن دقة تصنيف نتائج دالة التنشيط اللوجستك كانت غير مستقرة ولم تتأثر بعدد التكرارات مقارنة بدالة التنشيط القطع الزائد، في حين أظهرت دالة التنشيط القطع الزائد ثباتاً أكبر من دالة التنشيط اللوجستك مع تغير عدد الطبقات المخفية. في التكرارات الأعلى ، يكون زمن الحساب الذي تم تسجيله عن طريق تطبيق دالة التنشيط القطع الزائد أعلى من دالة التنشيط اللوجستية. لذلك، كان أنجازدالة التنشيط اللوجستك أسرع من دالة التنشيط القطع الزائد.

     كان أداء دالة القطع الزائد أفضل من دالة اللوجستك. عندما ازدادت عدد الطبقات المخفية الى ثلاث طبقات، أصبحت  ANNأكثر وعيًا مع أفضل قدرة تعلم.

    كانت نتائج دقة التصنيف ثابتة مع تغيير قيم عتبة الاحتمالية باستعمال طريقة تصنيف الاحتمالية العظمى. كانت نتائج تصنيف المنطقة المدروسة تكافئ كطبقة واحدة لطريقة ANN التي تمثل طبقة حقائق بسيطة.

وخلص البحث الى النتائج الاتية :

  • حددت المعلمات التي تم اختبارها تجريبياً لـ ANN باستخدام وظائف التنشيط (اللوجيستية والزائدية) التي أعطت أفضل النتائج في هذه الدراسة ، سلوك نتائج التصنيف لهذه الوظائف وأداء ANN ، الذي كان مختلفًا عن سلوك نتائج التصنيف لأقصى احتمال للإشراف التقليدي التصنيف ، والذي لديه سلوك مستقر مع تغيير المعلمات.

  • نجحت وظيفتا التنشيط في حساب القيم المثلى لمعلمات صور الأقمار الصناعية للوصول إلى أفضل قيم دقة التصنيف وفصل الفئات المطلوبة ، مع قيم خطأ RMS أقل.

  • للوصول إلى التعلم ANN المطلوب مع أفضل دقة التصنيف ، أظهرت النتائج التجريبية أن معدل التدريب الأكثر ملائمة لل AFs للطريقة اللوجستية والزائدية كان (0.05 و 0.005) على التوالي.

  • كان أداء AF الطريقة الزائدية أفضل من AF الطريقة اللوجستية. بشكل عام ، عندما زاد عدد الطبقات المخفية ، أصبحت الشبكة ANN أكثر قدرة على التعلم وزادت من قدرتها على تصنيف درجة ثبات التكرار فيما يتعلق بدقة النتائج.

  • من نتائج دقة التصنيف ، كانت AF الطريقة اللوجيستية غير مستقرة ولم تتأثر بعدد التكرارات مقارنة بالطريقة الزائدية ، مما أظهر مزيدًا من الثبات مع تغير عدد الطبقات المخفية.

  • زيادة عامل التكرار لم يكن ملحوظًا على دقة التصنيف لل AF الطريقة اللوجستية. في AF الطريقة الزائدية ، زادت دقة التصنيف وتحسين أداء ANN.

  • لارتفاع التكرار ، يبدو أن AF الطريقة اللوجستية كانت أسرع من AF الطريقة الزائدية.

  • كان وقت الحساب المسجل عن طريق تطبيق AF الطريقة الزائدية في عدد قليل من التكرار متساوية و (أعلى أو أقل) من AF الطريقة اللوجستية. في التكرارات العليا (500 و 1000) ، زاد وقت الحساب ، لذلك يوصى بتنفيذ الطريقة الزائدية ذو التكرار الأدنى.

  • مقارنةً بأساليب التصنيف الخاضعة للإشراف على Landsat 8 OLI ، أصدرت ANN باستخدام AFs طريقتا اللوجيستية والزائدية نتائج أكثر دقة من أقصى تصنيف للاحتمالية (MLC). تراوحت قيم دقة التصنيف لمدى طرق التصنيف الخاضعة للإشراف هذه بين (79.0177- 83.8660)٪ من التركيز المنطقي AF ، (73.7290- 83.7505)٪ من التركيز الزائدي للطبقة (1-3) و (79.7116 ، 79.7160 و 79.7182)٪ لل حركة تحرير الكونغو باستخدام (3) قيم عتبة الاحتمال.

  • كانت MLC مكافئة لطبقة واحدة مخفية من أسلوب ANN والتي توضح طبقة الحقائق البسيطة.

و حصل الطالب على تقدير (امتياز) لدى مناقشته  في تفاصيل بحثه وما تضمنته رسالته من قبل لجنة المناقشة التي تألفت من الذوات المدرجة اسمائهم في ما يلي :

  • أ.م.د. حميد مجيد عبد الجبار (رئيسا).

  • أ.م.د. علي محمد عبد الرحمن (عضوا).

  • م.د. انبثاق محمد علي (عضوا).

  • أ.م.د. تغريد عبد الحميد ناجي (عضوا و مشرفا).


MSc.Thesis on Classification of the Iraq Marshlands region using artificial intelligence method

The department of Physics in our college discussed MSc. Thesis  of student Mohammed Ahmed Mohammed on (on Classification of the Iraq Marshlands region using artificial intelligence methodsupervised by Asst.prf.Dr.Tagreed Abdulhameed Naji The discussion committee

Asst.prof.Dr.Hameed Majeed Abduljabar   Head

Asst.prof.Dr.Ali Mohammed Abdulrahman  member

Lect.Dr.Inbithaq Moahmmed Ali    member

Asst.prof.Dr.Tagreed Abid Al-Hameed Naji   supervisor member

The Abstract

  Artificial Neural Network (ANN) and Maximum Likelihood supervised classification methods were presented in this thesis on Landsat_8 OLI remotely sensed image of Iraqi marshland region. ANN is the most important part of artificial intelligence (AI), which reflects an important development for human thinking. With the development of these methods, their uses evolved.

   ANN classification by activation functions (AFs) is widely used in remote sensing applications. To estimate the effect of these functions on classification accuracy, two AFs are implemented to classify the satellite scene, which are; the logistic and hyperbolic. A set of parameters were selected empirically to give the best results for each activation functions.

   The effect of utilizing different number of hidden layers for fixed iteration number on classification accuracy and the required computation time were analyzed. The experimental results showed that the classification accuracy of logistic activation function results did not affect with the number of iterations compared to the hyperbolic activation function, whereas the hyperbolic activation function showed more stability than the logistic activation function with the number of hidden layers changing. In higher iterations, the computation time recorded by implementing Hyperbolic AF was higher than Logistic AF. Therefore, the performance of the Logistic AF was faster than Hyperbolic AF.

   The classification accuracy results were stable when the probability threshold values were changed, using maximum likelihood classification method.