کاربرد شبكه هاي عصبي مصنوعي( ANN ) در تخمين محتواي آبي گياهان( ) با استفاده از داده هاي فراطيفي نشريه علمي- ترويجي مهندسي نقشه برداري و اطالعات مکاني دوره ششم شماره 2 اسفند ماه 2131 مژگان ميرزایي 1 روشنک درویش زاده 2 علي رضا شكيبا 3 علي اکبر متكان 4 متين شهري 5 2 کارشناس ارشد سنجش از دور و سیستم اطالعات جغرافیايي - دانشگاه شهید بهشتي m_mirzaie87@yahoo.com 1 استاديار گروه کارتوگرافي - دانشکده جغرافیا - دانشگاه تهران ravishh@alumi.itc.l 1 استاديار دانشکده علوم زمین - گروه سنجش از دور و سیستم اطالعات جغرافیايي - دانشگاه شهید بهشتي mypauk@yahoo.com 4 دانشیار دانشکده علوم زمین- گروه سنجش از دور و سیستم اطالعات جغرافیايي - دانشگاه شهید بهشتي a-matka@sbu.ac.ir 5 دانشجوي دکتري -دانشکده مهندسي عمران- دانشگاه علم و صنعت ايران matishahri@yahoo.com )تاريخ دريافت بهمن 2132 تاريخ تصويب آذر 2131( چكيده با گسترش سنجش از دور فراطیفي امکان بهره گیري از گروه جديدي از شاخص هاي طیفي و مدلهاي آماري براي تخمین پارامترهاي بیو فیزيکي و بیوشیمیايي گیاهان به وجود آمده است. يکي از پارامتر هاي بیوشیمیايي گیاه محتواي آبي گیاه است () که پارامتري مهم در بخش کشاورزي است و ميتواند در جهت آبیاري صحیح و ارزيابي شرايط خشکسالي مورد استفاده قرار بگیرد. در اين تحقیق با استفاده از شبکه هاي عصبي مصنوعي و داده هاي فرا طیفي که با استفاده از دستگاه اسپکترومتر 3700 GER بدست آمده اند به تخمین محتواي آبي گیاهان پرداخته شد. چهار گونه گیاهي متفاوت براي نمونه برداري طیفي و اندازه گیري محتواي آبي گیاه انتخاب شدند. در مجموع با ايجاد تغییر در تراکم تاج پوشش گیاهان 35 نمونه شامل بازتاب هاي طیفي و همچنین اندازه گیري هاي محتواي آبي گیاهان براي آموزش شبکه مهیا شد.سپس يك شبکه پس انتشار خطا )پرسپترون چند اليه( با سه گروه از ورودي ها که شامل تمامي باند هاي باريك موجود ده مولفه اصلي اول و همچنین چهار شاخص باريك باند گیاهي بودند براي تخمین مورد استفاده قرار گرفت. براي ارزيابي کارايي شبکه در تخمین از روش و دادههاي اندازه گیري شده Cross-validatio گیاه و بر حسب معیارهاي Rcv 2 و استفاده شد. با استفاده از رگرسیون خطي ساده بین خروجي شبکه RMSEcv شبکه هاي عصبي داراي قابلیت باال در تخمین با استفاده از داده اي فراطیفي مي باشند بهترين مدل انتخاب شد. نتايج تحقیق نشان دادند که.(Rcv=0.88, RMSEcv=0.31) واژگان کليدي: فراطیفي شبکه عصبي مصنوعي پس انتشار خطا 12 نويسنده رابط
و 4 1- مقدمه ۱ Vegetatio Water Cotet ۲ Natioal Oceaic ad Atmospheric Admiistratio ۳ Advaced Very High Resolutio Radiometer ٤ Satellite Pour l'observatio de la Terre ٥ Thematic Mapper/ Ehaced Thematic Mapper 11 کاربرد شبکه هاي عصبي مصنوعي) ANN ( در تخمین محتواي آبي گیاهان) ( با... محتواي آبي گیاه )( 2 به عنوان شاخصي مهم در کاربرد هاي مختلف کشاورزي و جنگل داري مطرح است بسیاري ]21[. از فرآيندهاي بیوشیمیايي در گیاهان از جمله فتوسنتز تبخیر و تعرق و تولید اولیه مستقیما با میزان آب گیاه در ارتباط است] 22 [. عالوه بر کاربرد هاي گسترده اي که در بخش کشاورزي جنگلداري و هیدرولوژي دارد ميتواند براي ارزيابي رطوبت خاک نیز مورد استفاده قرار بگیرد ]12[. روشهاي مبتني بر سنجش از دور به عنوان تکنیك هايي قابل اطمینان سريع و غیر مخرب براي تخمین متغیر هاي فیزيکي و بیو شیمیايي گیاهان شناخته شدهاند ]1 4[. اغلب تولیدات سنجش از دور براي ارزيابي و تخمین پارامتر هاي بیوفیزيکي و بیوشیمیايي گیاهان از سنجنده هايي با باندهايي پهن همانند 1 AVHRR 1 NOAA SPOT 5 TM/ETM سنجنده لندست استفاده ميکنند که اغلب از سه الي هفت باند تشکیل شده اند ]3[. در چند دهه گذشته ابزار هاي سنجش از دور گیاهي بطورچشم گیري پیشرفت داشته اند. با گسترش سنجش دور فراطیفي امکان بهره گیري از گروه جديدي از مدل هاي چند و تك متغیره براي تخمین پارامترهاي بیو فیزيکي و بیوشیمیايي گیاهان به وجود آمده است. از محدوديت هاي اساسي در تولیدات سنجش از دور پهن باند استفاده از میانگین اطالعات طیفي در پهناي يك باند عريض ميباشد. استفاده از میانگین بازتابها در يك باند عريض موجب از دست رفتن اطالعات مهم و موثر که در باندهاي باريك تر موجود مي باشند ميشود ]3[. توسعه در زمینه سنجش از دور فراطیفي قابلیت هايي براي غلبه بر اين مشکل فراهم آورده است. تصوير برداري اسپکترومتري يا سنجش از دور فرا طیفي با سنجنده هايي متشکل از چند صد باند باريك و پیوسته طیفي در سرتاسر باندهاي طیفي مابین 422 تا 1522 نانومتر داراي پتانسیل بااليي در اندازهگیري پارامتر هاي گیاهي نسبت به استفاده از سنجنده هايي چند طیفي مي باشند ]21[. روشهاي سنجش از دوري براي تخمین پارامتر هاي گیاهي به طور کلي به دو گروه: تکنیك هاي آماري ( 6 و يا روشهاي تجربي ) 1 و روشهاي روشهاي استداللي ) 8 طبقه بندي ميشوند فیزيکي )يا روشهاي استنتاجي.]21[ براي تخمین مقدار آب گیاهان تا کنون روشهاي گوناگوني از جمله روشهاي آماري فیزيکي ]8 21[ ]5 6 22 22 14 18[ و روشهاي مورد استفاده قرار گرفته است. تکنیکهاي آماري براي بدست آوردن همبستگي بین پارامتر گیاهي و بازتاب طیفي آن و يا شاخصهاي گیاهي مورد استفاده قرار مي گیرند ]21[. روشهاي آماري از پرکاربرد ترين روشهاي مورد استفاده در تخمین پارامتر هاي گیاهي در سنجش از دور 3 ميباشد. اين روشها شامل: روشهاي تك متغیره ( محاسبه شاخصهاي طیفي گیاهي( و مدلهاي چند )از جمله رگرسیون خطي مرحله اي( SMLR ) 22 22 متغیره رگرسیون حداقل مربعات جزئي( PLSR ) 21 شبکه هاي و غیره مي باشند. روشهاي تك عصبي مصنوعي( ANN ) 21 متغیره اغلب شامل شاخص هاي گیاهي ميباشند. شبکه هاي عصبي مصنوعي از جمله روش هاي چند متغیره آماري است که مي تواند از تمامي اطالعات موجود در باند ها استفاده کند. از مزاياي شبکه هاي عصبي به ويژگي غیر پارامتريك بودن آن ميتوان اشاره کرد به اين معني که توزيع داده ها در شبکه مهم نمي باشد. توانايي شبکه هاي عصبي در ارتباط برقرار کردن مابین اطالعات پیچیده طیفي و ويژگي هاي گیاهي مورد نظر آنها را به عنوان ابزاري ايده آل براي توصیف روابط پیچیده و غیر خطي که مابین پارامتر هاي گیاهان و خصوصیات طیفي در سطح تاج پوشش موجود مي باشند تبديل ساخته است] 16 [. اگر چه در مطالعات اولیه شبکه هاي عصبي اغلب براي ٦ Iductive ۷ Empirical ۸ Deductive ۹ Uivariate techique ۰۰ Multivariate techique ۱۱ Stepwise Multiple Liear Regressio ۱۲ Partial Least Square Regressio ۱۳ Artificial Neural Network
طبفه بندي مورد استفاده قرار مي گرفتند اما اين تکنیك همچنین پتانسیل بااليي در پیش بیني متغیر ها نیز نشان داد ]16[. شبکه هاي عصبي مصنوعي براي تخمین پارامتر هاي گیاهي با استفاده از سنجش از دور در مطالعات پیشین براي تخمین شاخص سطح برگ ]1[ ارزيابي میزان کلروفیل محصول ]23[ تخمین میزان محصول ]26 11[ تخمین رطوبت خاک] 1 24 12 [ و تخمین بیوماس گیاهان] 28 [ مورد استفاده قرار گرفته است. لذا اين تحقیق در نظر دارد تا توانايي شبکه هاي عصبي را در برآورد محتواي آبي گیاهان در سطح تاج پوشش گیاه را با استفاده از داده هاي فراطیفي مورد ارزيابي قرار دهد و همچنین با استفاده از مولفه هاي اصلي و همچنین شاخص هاي گیاهي باريك باند به عنوان ورودي شبکه از ايجاد مشکل بیش برازش جلوگیري کند. 2- مواد و روشها 1-2- اندازه گيري هاي آزمایشگاهي و پيش پردازش داده ها به منظور نمونه برداري چهار گونه گیاهي انتخاب شدند. گونه هاي گیاهي در شکل و اندازه هاي برگ متفاوت بودند. در مجموع 14 گیاه )از هر گونه 6 نمونه( در شرايط گلخانه اي جمع آوري گرديد] 21 [ اندازهگیري هاي طیفي تاج پوشش گیاهان در آزمايشگاه کنترل شده سنجش از دور انجام گرفت. در محل اندازه گیري ديوار ها و سقف با مواد سیاه رنگ مات به منظور جلوگیري از بازتاب هاي زائد پوشیده شدند. اندازه گیري ها با استفاده از دستگاه اسپکترومتر نشريه علمي- ترويجي مهندسي نقشه برداري و اطالعات مکاني دوره ششم شماره 2 اسفند ماه 2131 GER 3700 صورت گرفت. محدوده طول موجهاي اين اسپکترومتر بین 152 تا 1522 نانومتر ميباشد که در محدوده طیفي 152-2252 فاصله طول موج ها 2.5 نانومتر در فاصله 2252-2322 داراي فاصله طیفي 6.1 نانو متر و در ناحیه 2322-1522 دراي فواصل 3.5 نانومتري هستند. براي ايجاد تنوع در اندازه گیري هاي طیفي و تولید نمونه هاي بیشتر که حداکثر اختالف را دارا باشند تغییراتي در حجم تاج پوشش گیاه و همچنین خاک پس زمینه )متشکل از خاک روشن و تیره( داده شد. نهايتا 35 نمونه آماده شد 14 نمونه براي هر گونه )يك نمونه حذف شد(. 48 نمونه در خاک تیره و 41 نمونه در خاک روشن. بدلیل وجود نويز باال محدوده هاي طیفي کمتر از 422 نانو متر و بیشتر از 1422 نانومتر حذف شدند. فیلتر ]11[ Savitzky-Golay با اندازه پنجره 21 پیکسل و چند جمله اي درجه دو براي از بین بردن نويز هاي احتمالي دستگاه اندازه گیري طیفي بر روي ماتريس بازتاب هاي طیفي اجرا شد. پردازش ها و تحلیل هاي انجام شده تماما با استفاده از نرم افزار MATLAB 7.8 انجام گرفتند. 2-2- شبكه عصبي مصنوعي يك شبکه عصبي مصنوعي يك ماشین محاسباتي است که از ساختار سیستم عصبي بیولوژيکي الهام گرفته اند. پايه اي ترين قسمت ساختمان يك شبکه عصبي نرون ها هستند. نرون يك واحد پردازش است که ورودي را از منبع دريافت کرده و با تعريف رفتاري غیر خطي در جهت رسیدن به شبکه به خروجي نهايي مي رسد ]11[. الگوريتم آموزشي پس انتشار يکي از پرکاربرد ترين انواع شبکه هاي عصبي است که در اين تحقیق نیز مورد استفاده قرار گرفته است. هدف اصلي يك شبکه عصبي ساخت مدلي است با استفاده از ورودي ها به طوري که اين شبکه آموزش ديده قابلیت پیش بیني خروجي ها با استفاده از ورودي هاي جديد که شبکه تاکنون با آنها مواجه نشده است را داشته باشد. الگوريتم پس انتشار يك شبکه عصبي چند اليه است که متشکل از يك اليه ورودي چند اليه پنهان و يك اليه خروجي مي باشد. آموزش يك شبکه عصبي توسط تطبیق وزن ها به گونه اي که خطاي شبکه که اختالف بین خروجي شبکه و مقادير واقعي است انجام مي شود. در انتهاي فاز آموزش شبکه مدلي ارائه مي کند که قادر به پیش بیني مقادير خروجي توسط ورودي ها باشد. پايه اي ترين قسمت ساختمان يك شبکه عصبي نرون ها هستند. نرون يك واحد پردازش که داراي چند ورودي) معموال بیشتر از 2 ( و يك خروجي است. نرون ها مي توانند تك ورودي يا چند ورودي باشند. معموال يك نرون بیش از يك ورودي دارد. 11
کاربرد شبکه هاي عصبي مصنوعي) ANN ( در تخمین محتواي آبي گیاهان) ( با... 1-2-2- الگوریتم پس انتشار خطا الگوريتم پس انتشار تعمیم قانون يادگیري Widrow- Hoff براي شبکههاي چند اليه و توابع انتقال جدايي پذير ميباشد اين روش از روشهاي نظارت شده است و از" 2 قانون دلتا" 1 يا"الگوريتم کاهش شیب خطا" براي کم کردن خطا استفاده ميکند. که در اين الگوريتم وزن ها در خالف جهت شیب در تابع خطا شروع به اصالح شدن مي کند. واژه پس انتشار به رفتاري برمي گردد که در آن شیب براي شبکههاي چند اليه غیر خطي محاسبه ميشود.]25[ 1 الگوريتم پس انتشار به دو مرحله : مرحله پیشرونده 4 تقسیم ميشود. در مرحله پیشرونده و مرحله بازگشتي هر يك از نمونهها به شبکه وارد شده و و مقادير نرون ها بطور متوالي از اليه ورودي به سمت اليه خروجي به هنگام ميشود. در مرحله پیشرونده هر يك از نمونهها به شبکه وارد شده و و مقادير نرون ها بطور متوالي از اليه ورودي به سمت اليه خروجي به هنگام ميشود. دراين مرحله تمام مقادير ورودي به يك نرون بصورت زير محاسبه ميشود: x j= i ai w ji )2( نرون w ji ام و i مقدار نرون a i که وزن اتصال نرون i j ام به ام ميباشد. بعد از محاسبه با استفاده از فرمول فوق با اعمال تابع فعال سازي f مقدار x j به مقدار خروجي آن نرون )ورودي نرون اليه بعدي( تبديل ميشود. f(x j ) = a j )1( تابع فعالسازي تانژانت-سیگمويیدي اغلب در اين شبکهها مورد استفاده قرار ميگیرد. اين شبکهها همچنین شبکههاي پرسپترون چنداليه نیز نامیده ميشود. اين شبکهها با استفاده از الگوريتم پس انتشار خطا آموزش ديده ميشود. در مرحله پیش رونده وزنها تنظیم نميشوند و ثابت ميمانند. هنگامي که خروجي بدست آمدند با مقادير واقعي مقايسه ميشوند و مقدار خطا محاسبه ميشود. سپس اين خطا در جهت مخالف حالت پیش رونده داخل شبکه انتشار مييابد. در اين مرحله وزنها در جهتي که به مقادير واقعي نزديك شوند تنظیم ميشوند. در مرحله بازگشتي وزن هاي نرون ها با شروع از اليه خارجي به سمت اليه ورودي شروع به تنظیم شدن مي کنند که به صورت حرکت به سمت چپ از اليه آخر به سمت اليه اول مي باشد ]15[. هدف از تنظیم وزن ها کاهش خطاي شبکه است که معموال خطاي حداقل 5 معیار خطا مي باشد و بصورت زير تعريف میانگین مربعات مي شود: E(w) = 1/2 (a j,k o j,k ) 2 j,k )1( a j,k که wوزن که از نمونه آموزشي نرون k مقدار خروجي نرونj ام در اليه آخر ام بدست آمده و o j,k j سازي مقدار مقدار واقعي ام در نمونه آموزشي kام مي باشد.. براي حداقل E(w) روش هاي متفاوتي وجود دارد که يکي از پرکاربرد ترين روش ها روش سريعترين کاهش 6 شیب مي باشد که در اين روش وزن ها با استفاده از رابطه زير تنظیم مي شوند: w ji +1 = w ji ŋ E w ji )4( به طوري که w ji وزن نرون iام به نرون j ام در زمان است ŋ نرخ آموزش بوده که مقداري است ثابت بین 2 و 2 و E w ji شیب )مشتق( در نقطه تواند به عنوان تغییر مقدار خطاي وزن w ji E w ji مي باشد در نظر گرفته شود. مي باشدکه مي که ناشي از تغییر مقادير اولیه وزن ها معموال مقاديري کوچك و تصادفي هستند. مقدار شیب در معادله فوق بصورت زير بسط داده مي شود: E = E a i w ji a i )5( که x j x j = E f (x w ji a j )a i = δ j a i i f (x j ) است سیگموئیدي a i مشتق اول تابع انتقال که معموال تابعي مقدار ورودي نرون و مقدار δ j ٥ Least mea square error ٦ Steepest descet ۱ Delta Rule ۲ Gradiet Descet Algorithm ۳ Forward ٤ Backward 14
خطاي نرون نشريه علمي- ترويجي مهندسي نقشه برداري و اطالعات مکاني دوره ششم شماره 2 اسفند ماه 2131 j ام مي باشد. مقدار خطا براي نرون هاي اليه آخر باشد معادله فوق بصورت زير ساده مي شود: δ j = (a j o j )f (x j ) )6( به طوري که شده مي باشد. مقدار واقعي و o j مقدار پیش بیني o j از ترکیب معادالت و وزن ها براي اليه خروجي تنظیم مي شود. براي ساير اليه ها مقدار زير بدست مي آيد: δ j )1( که با استفاده از معادله δ j = ( δ k w kj ) f (x j ) K k نشان دهنده نرون هايي هستند که مقادير خروجي را از اليه jام در يافت مي کند. اين قانون براي تنظیم وزن ها همراه با اتصاالت شبکه 2 به عنوان قانون تعمیم يافته دلتا نیز شناخته مي شود] 15 [. برخي مواقع پارامتر ديگري با نام مومنتوم نیز به معادله اضافه مي شود : w ji +1 = w ji ŋ E w ji + ξ(w ji w ji 1 ) )8( مقدار مومنتوم بین 2 و 2 بوده و براي جلوگیري از نوسان در يافتن مقدار مینیمم در سطح خطا به کار برده مي شود که منجر به افزايش سرعت همگرايي مي شود. شبکه هاي پي انتشار با چندين فاکتور کنترل مي شوند: پارامتر هاي همراه با مدل توپولوژي شبکه و نمونه هاي آموزشي. انتخاب يك شبکه بهینه اغلب کار دشواري مي باشد] 15 [. در اين تحقیق يك شبکه پس انتشار خطا )پرسپترون چند اليه( با يك اليه ورودي يك اليه پنهان و يك اليه خروجي مناسب تشخیص داده شد. تعداد نرونهاي اليه ورودي به تعداد مولفه هاي ورودي ها بود. تعداد نرونهاي اليه پنهان مناسب براي هر يك از مجموعه وروديها انتخاب شدند. و نرونهاي اليه خروجي نیز تنها يك نرون بود که همان مقدار آنجايي که 35 نمونه اندازهگیري شده به عنوان خروجي بود. از موجود بود لذا از آموزش نظارت شده استفاده شد. براي گیاهان براي جلوگیري از احتمال ايجاد بیش برازش در شبکه دو راه حل انتخاب شد: يکي تقسیم دادهها به نمونههاي آموزشي تست و اعتبارسنج. روش ديگر کاهش تعداد متغیر ها يا باندهاي طیفي بود. به اين معني که ميتوان از روشهاي فشرده سازي داده همانند مولفههاي اصلي و همچنین استفاده از شاخص هاي طیفي براي ورود به شبکه به جاي استفاده از تمامي باندها استفاده شد. از اين رو براي انتخاب بهترين شبکه و بهترين الگوريتم آموزش که قادر به تخمین میزان کمترين میزان خطا باشد گروه وردي 1 که قادر به شامل تمامي باند هاي طیفي موجود 22 مولفه اصلي اول و 4 شاخص باريك باند طیفي بهینه شامل NDWI RWI و SAVI2 TSAVI به عنوان وردي شبکه مورداستفاده قرار گرفت که در مطالعه پیشین میرزايي و همکاران در سال 2132 محاسبه شده بودند. با الگوريتمهاي مختلف آموزش به شبکه ارائه شدند. تابع Tasig براي اليه میاني و تابع liear براي تابع خروجي انتخاب شد. اين دو تابع به دلیل پیوشته و مشتق پذير بودن در الگوريتم پس انتشار بسیار مورد استفاده قرار مي گیرند ]25[. در اين تحقیق از روش Cross validatio براي ارزيابي دقت مدلها استفاده شد. استفاده از اين روش در شبکههاي عصبي بدين شکل بود که هر شبکه با 34 نمونه آموزش داده شد. سپس نمونه باقي مانده که در آموزش شرکت نداشت با استفاده از اين شبکه شبیهسازي شد. پس از تکرار اين مراحل به تعداد 35 مرتبه تعداد 35 نمونه شبیهسازي شده بدست آمد. سپس نمونههاي شبیه سازي شده که در واقع مقادير تخمین زده شده بودند در مقابل مقادير اندازهگیري شده محاسبه شد. قرار گرفته و مقدار RMSE CV شبکه و R 2 CV - 3 نتایج و بحث 1-3- استفاده از شبكه عصبي و تمامي باند هاي طيفي به عنوان ورودي براي برآورد 15 ۱ Geeralized delta rule
کاربرد شبکه هاي عصبي مصنوعي) ANN ( در تخمین محتواي الگوريتم هاي آموزشي متفاوتي براي شبکه هنگامي که تمامي باندهاي طیفي) 584 باند طیفي( به عنوان ورودي در نظر گرفته بودند مورد بررسي قرار گرفتند که از میان آنها شبکه تنها با الگوريتم به خوبي آموزش ديد. اين شبکه با نرون هاي متفاوت شبکه با 15 نرون در اليه پنهان بهتر از ساير شبکه ها آموزش داده شد CV=0.84 R) 2., RRMSE CV=0.36) R 2 CV 2.63 جدول 2- شبکه هاي عصبي مختلف و نتايج بدست آمده از آنها در تخمین با استفاده از تمامي باند هاي طیفي به عنوان ورودي RRMSECV 2.52 تابع آموزش تابع فعال سازي شبكه بهينه 584*25*2 584*21*2 584*12*2 584*15*2 584*12*2 2.13 2.82 2.84 2.15 2.41 2.42 2.16 2.46 ورودي ها تمام باندها) 584 باند( آبي گیاهان) ( با... 2-3- استفاده از شبكه عصبي و 11 مولفه اصلي به عنوان ورودي براي برآورد براي اطمینان از عدم بیش برازش شبکه از مولفههاي اصلي نیز به عنوان ورودي در شبکه عصبي استفاده شد. ساختار شبکه شامل يك اليه ورودي با 22 نرون يك اليه مخفي با 6 و 25 نرون و همچنین يك اليه خروجي با يك نرون استفاده شد. الگوريتم هاي آموزشي پس انتشار ارتجاعي( Trairp ) الگوريتم شیب توام( Traiscg ) الگوريتم شبه نیوتن( Traioss ) و الگوريتم Levebery- Marqwardt براي آموزش شبکه هنگامي که ورودي مولفهها ي اصلي بودند مورد استفاده و مقايسه قرار گرفت. همانطور که در جدول) 1 ( نیز مشخص است شبکه آموزش ديده شده با استفاده از الگوريتم آموزشي شیب توام( scg ) استفاده داراي در مقايسه با ساير الگوريتم هاي آموزشي مورد باالتر و R 2 RMSE پايین تر ميباشد( CV=0.31 R). 2 CV=0.88,RRMSE در واقع با اين الگوريتم شبکه بهتر آموزش ديده. RRMSECV جدول 1- شبکه هاي عصبي مختلف و نتايج بدست آمده از آنها در تخمین با استفاده مولفه هاي اصلي به عنوان ورودي R 2 CV 2.12 2.43 تابع آموزش Oss تابع فعال سازي شبكه بهينه 22*6*2 ورودي ها 22 مولفه اصلي (PCs) 22*6*2 22*25*2 22*6*2 22*6*2 Rp Rp Lm 2.86 2.53 2.65 2.88 2.11 2.64 2.54 2.12 مقادير ريشه مربعات میانگین خطاي بدست آمده با استفاده از روش (RRMSE CV) Cross validatio در واقع همان خطاي تست شبکه محسوب ميشود چرا که هر 35 نمونه تخمین زده شده هیچ يك در آموزش شبکه دخیل نبوده و در واقع هر يك نمونه تست ميباشند. رابطه میان مقادير پیش بیني شده و اندازه گیري شد با استفاده از ده مولفه اصلي به عنوان ورودي و بهترين ساختار شبکه در شکل 1)b( نشان داده شده است. 3-3- استفاده از شبكه عصبي و چهار شاخص باریک باند به عنوان ورودي براي برآورد در تحقیق پیشین میرزايي و همکاران در سال 2132 با استفاده از 584 باند فراطیفي بهترين ترکیبات باندي براي چهار شاخص SAVI2 NDWI RWI به TSAVI و 16
منظور تخمین نشريه علمي- ترويجي مهندسي نقشه برداري و اطالعات مکاني دوره ششم شماره 2 اسفند ماه 2131 انتخاب شدند] 2 [. اين ترکیبات باندي بهینه براي هر يك از شاخص ها بصورت زير بود: ρ720 RWI = ρ1418 ρ679 ρ1965 NDWI = ρ679+ ρ1965 SAVI 2 = ρ 825 ρ1443+ a b a( ρ2135 aρ2237 b) TSAVI = aρ2135+ ρ2237 ab )2( )1( )1( )4( ρ i بطوري که باشد. براي مثال نانومتر مي باشد.و خاک مي باشند. ها مقادير بازتابندگي در طول موج i ρ 720 a و b مي مقدار بازتابندگي در طول موج 112 مقادير بدست آمده براي خط تخمین اين چهار شاخص با ترکیبات باندي بهینه که براي بدست آمدند به عنوان ورودي براي شبکه عصبي مورد استفاده قرار گرفتند. الگوريتم هاي مورد استفاده براي آموزش شبکه هنگامي که ورودي شاخصها بودند در جدول 1 نشان داده شده است. همانگونه که در اين جدول نشان داده شده است همانند شبکه با استفاده از 22 مولفه به عنوان ورودي در اين حالت نیز شبکه با استفاده از الگوريتم آموزشي شیب توام (scg) در مقايسه با ساير الگوريتم هاي آموزشي مورد استفاده داراي بهترين نتیجه بود( CV=0.33 RRMSE آموزشي, CV=0.86.(R 2 در الگوريتم براي اليه پنهان LM قرار گرفت و با افزايش يك نرون اضافي 6 و 1 نرون مورد بررسي R 2 CV 2.81 دقت تخمین کاهش يافت. رابطه میان مقادير پیش بیني شده و اندازه گیري شده با استفاده از بهترين ساختار شبکه) هنگام استفاده از شاخص ها( در شکل )1( نشان داده شده است. جدول 1- شبکه هاي عصبي مختلف و نتايج بدست آمده از آنها در تخمین با استفاده از شاخص ها باريك باند به عنوان ورودي RRMSECV 2.16 تابع آموزش Oss تابع فعال سازي شبكه بهينه 4*6*2 ورودي ها 4 شاخص باريك باند بهینه: RWI,NDWI, SAVI2 و TSAVI 4*6*2 4*1*2 4*6*2 4*6*2 Rp Rp Lm 2.85 2.18 2.84 2.86 2.15 2.41 2.15 2.11 شکل 2- رابطه میان مقادير پیش بیني شده و اندازه گیري شده همراه با مقادير RRMSEcv و شاخص ها( a ) شبکه عصبي- مولفه هاي اصلي( b ) R 2 cv با استفاده از شبکه عصبي- محتواي آبي گیاه و همچنین بهره بردن از تمامي باند هاي موجود در داده هاي فراطیفي شد. استفاده از شبکه با ساختار و پارامتر هاي مشابه اما ورودي هاي متفاوت نشان داد از جمله پارامتر هاي موثر 11 4-3- بحث با استفاده از ورودي ها و ساختار هاي متفاوتي از شبکه پس انتشار خطا در اين تحقیق سعي به برآورد
18 کاربرد شبکه هاي عصبي مصنوعي) ANN ( در تخمین محتواي آبي گیاهان) ( با... در نتیجه برآورد توسط شبکه هاي عصبي عالوه بر ساير پارامتر ها انتخاب ورودي مناسب مي باشد. با استفاده از روش هاي کاهش ابعاد داده هاي ورودي که شامل استفاده از مولفه هاي اصلي به عنوان يك روش کاهش ابعاد داده رايج و همچنین استفاده از شاخص هاي باريك بند کارايي شبکه ها مورد مقايسه قرار گرفت. مولفه هاي اصلي داراي اين مزيت مي باشند که برخالف باند هاي طیفي هیچ گونه همبستگي مابین آنها وجود ندارد ]12[. در مواردي که تعداد ورودي ها زياد اما داراي همبستگي مي باشند استفاده از مولفه هاي اصلي و همچنین شاخص ها بطور موثر توانستند ساختار شبکه را کوچك و محاسبات را کاهش دهند. استفاده از مولفه ها اغلب منجر به نتیجه بهتري در پیش بیني مي شوند. y Ramada و همکاران در سال 1225 براي برآورد پارامتر هاي خاک 13 مولفه اصلي را به عنوان ورودي شبکه ارائه دادند که بهترين نتیجه را در مقايسه با ساير روش ها بدست آوردند. در تحقیق حاضر نیز استفاده از 22 مولفه اصلي در مقايسه با شبکه با استفاده از تمامي باند ها و همچنین 4 شاخص گیاهي به عنوان ورودي برآورد محتواي آبي گیاه را دارا بود: با تابع آموزشي يکسان بهترين (ANN-PC:R 2 CV=0.88, RRMSE CV=0.31, ANN_idex: R 2 CV=0.86, RRMSE CV=0.33, ANN: R 2 CV=0.80, RRMSE CV=0.40) همانگونه که مشاهده شد تعداد نرون هاي اليه پنهان از جمله پارامترهاي موثر در انتخاب يك شبکه مناسب )در اين تخقیق تنها يك اليه پنهان( ميباشد. تعداد بیش از حد کوچك نرون هاي اليه پنهان منجر به تخمین کمتر از 2 و زيادي بیش از حد نرون ها منجر به بیش مقدار واقعي برازش مي شود] 25 [. در تمامي شبکه هاي فوق مشاهده شد که افزايش تعداد نرون ها موثر در بهبود تخمین بود اما افزايش بیش از حد منجر به بیش برازش شبکه شد. اين مشکل به داليل متعددي از جمله افزايش بیش از ساختار شبکه زياد بودن تعداد پارامتر هاي ورودي نسبت به نمونه هاي آموزشي ايجاد مي شود و بصورت دقت باالي داده هاي آموزشي و بسیار پايین نمونه هاي تست)در اين تحقیق نمونه هاي Cross_validate شده( قابل شناسايي مي باشد اگر چه تشخیص اندازه بهینه شبکه بسیار سخت مي باشد. تحقیق ]25[. از نمونه هاي بیش برازش را مي توان در Ye و همکاران در سال 1226 براي برآورد میزان محصول که با استفاده از داده هاي فرا طیفي انجام شده بود مشاهده کرد. در تحقیق آنها که با استفاده از داده هاي سه ماه انجام پذيرفته بود دقت داده هاي آموزشي بدستآمده براي دو ماه داراي اختالف بسیاري با نمونه هاي تست ماه مربوطه داشت ( دقت باال براي نمونه هاي آموزشي و بسیار پايین براي نمونه هاي تست(. اين اختالف نشان دهنده عدم تطبیق شبکه هنگام مواجهه با داده هاي جديد که به عبارت ديگر همان مشکل بیش برازش بود مي باشد. توابع آموزشي متفاوتي براي آموزش شبکه مورد آزمايش قرار گرفتند که تنها بهترين الگوريتم هاي مورد بررسي در جداول نشان داده شده اند. در بین توابع آموزشي ارائه شده الگوريتم شیب توام( Trai ) نسبت به ساير الگوريتم ها در آموزش شبکه موفق تر بود. اين الگوريتم تقريبا براي آموزش اکثر مسائل مناسب مي باشد خصوصا شبکه هاي با مولفه هاي وزن و باياس بسیار زياد اين الگوريتم مناسبترين مي باشد] 25 [. الگوريتم پس انتشار ارتجاعي( Trairp ) از ديگر الگورريتم هايي است که براي شبکه هاي بزرگ مناسب مي باشد. و همانطور که در جداول مشاهده مي شود براي شبکه ها با ورودي مولفه ها و شاخص ها پس از الگوريتم تخمین بود. Trai داراي بهترين (ANN-PC:R 2 CV=0.86, RRMSE CV=0.33,.ANN_idex: R 2 CV=0.85, RRMSE CV=0.35) 4- نتيجه گيري توسعه در زمینه سنجش از دور فراطیفي و تصوير برداري اسپکترومتري دريچهاي جديد به سمت پايش و تخمین پارامتر هاي گیاهي گشوده است. استفاده از شبکه هاي عصبي در سنجش از دور اغلب در طبفه بندي مورد استفاده قرار ميگیرد. در اين تحقیق که بر اساس دادههاي فراطیفي بدست آمده با استفاده از اندازه گیري هاي آزمايشگاهي انجام شد توانايي شبکه هاي براي تخمین محتواي آبي گیاهان با استفاده از داده هاي ۱ Uderestimate
فراطیفي مورد بررسي قرار گرفت. شبکه عصبي پس انتشار با الگوريتم هاي آموزشي و ساختار متفاوت براي تخمین مورد استفاده قرار گرفت که نتايج نشان داد انتخاب نشريه علمي- ترويجي مهندسي نقشه برداري و اطالعات مکاني دوره ششم شماره 2 اسفند ماه 2131 معماري شبکه در آموزش بهتر شبکه و همچنین جلوگیري از مشکل بیش برازش بسیار موثر مي باشد. شبکه هاي عصبي مصنوعي هنگامي که شبکه بهینه با ساختار و مراجع الگوريتم آموزشي مناسب براي آن انتخاب شد مدلي با توانايي باال در تخمین محتواي آبي با استفاده از داده هاي فراطیفي مي باشند و نهايتا در اين تحقیق داد عصبي با استفاده ازمولفه هاي اصلي شیب توام( scg ) داراي بهترين شبکه والگوريتم آموزشي برآورد میزان بود. مژگان میرزايي روشنك درويش زاده علیرضا شکیبا علي اکبر متکان )2132( انتخاب شاخص هاي فراطیفي )باريك باند( بهینه براي تخمین محتواي آبي گیاهان با در نظر گرفتن شرايط متفاوت تراکم تاج پوشش گیاه و خاک پس زمینه نشريه علمي- پژوهشي سنجش از دور و GIS ايران. سال سوم. شماره اول بهار 2132. 55-12. [2] Baskota, A. (2006). Estimatig leaf area idex of salt marsh vegetatio usig airbor hyperspectral data. [3] Broge, N., & Leblac, E. (2001). Comparig predictio power ad stability of broadbad ad hyperspectral vegetatio idices for estimatio of gree leaf area idex ad caopy chlorophyll desity. Remote Sesig of Eviromet 76 (2), 156 172., 156 172. [4] Carter, G.A., 1994. Ratios of leaf reflectaces i arrow wavebads as idicators of plat stress. Iteratioal Joural of Remote Sesig, 15(3): 697-703. ]2[ [5] Ceccato, P., Flasse, S., Taratola, S., Jacquemoud, S., & Gregoire, J.-M. (2000). Detectig vegetatio leaf water cotet usig reflectace i the optical domai. Remote Sesig of Eviromet, 77, 22 33. [6] Ceccato, P., Gobro, N., Flasse, S., Pity, B., & Taratola, S. (2002). Desigig a spectral idex to estimate vegetatio water cotet from remote sesig data: Part 1 Theoretical approach. Remote Sesig of Eviromet, 82, 188 197. [7] Chag, D., & Islam, S. (2000). Estimatio of soil physical properties usig remote sesig ad artificial eural etwork. Remote Sesig of Eviromet, 74 (3),534 544. [8] Che, D., Huag, J., & Jackso, T. J. (2005). Vegetatio water cotet estimatio for cor ad soybeas usig spectral idices derived from MODIS ear- ad short-wave ifrared bads. Remote Sesig of Eviromet, 98, 225 236 [9] Cho, M. A. (2007). Hyperspectral remote sesig of biochemical ad biophysical parameters. Iteratioal Istitute for Geo-iformatio Sciece & Earth Observatio, Eschede, the Netherlads (ITC). [10] Clevers, J., kooistra, L., & Schaepma, M. (2008). Usig spectral iformatio from the NIR water absorptio features for retrivial of caopy water cotet. Iteretioal joural of Applied Earth Observatio ad Geoiformatio, 10,388-397. [11] Clevers, J., Kooistra, L., & Schaepma, M. (2010). Estimatig caopy water cotet usig hyperspectral remote sesig data. Iteratioal Joural of Applied Earth Observatio ad Geoiformatio, 12, 119 125. [12] Darvishzadeh, R. (2008). Hyperspectral remote sesig of vegetatio parameters usig statistical ad phisycal models. Iteratioal Istitute for Geo-iformatio Sciece & Earth Observatio, Eschede, the Netherlads (ITC). [13] Darvishzadeh, R., Skidmore, A., Schlerf, M., Atzberger, C., Corsi, F., & Cho, M. (2008 ). LAI ad chlorophyll estimatio for a heterogeeous grasslad usig hyperspectral measuremets. ISPRS Joural of Photogrammetry & Remote Sesig, 63,409 426. 13
[14] Del Frate, F., Ferrazzoli, P., & Schiavo, G. (2003). Retrievig soil moisture ad agricultural variables by microwave radiometry usig eural etworks. Remote Sesig of Eviromet, 84 (2), 174 183. [15] Demuth, H., Beale, M., & Haga, M. (2010). Neural Network Toolbox 6 User's guide. [16] Drummod, S., Sudduth, K., Joshi, A., Birrell, S., & Kitche, N. (2003). Statistical ad eural methods for site-specific yield predictio. Tras. ASAE, 46 (1), 5 14. [17] Jackso, T. J., Che, D., Cosh, M., Li, F., Aderso, M., Walthall, C., et al. (2003). Vegetatio water cotet mappig usig Ladsat data derived ormalized differece water idex for cor ad soybeas. Remote Sesig of Eviromet, 92 (475 482). [18] Ji, Y., & Liu, C. (1997). Biomass retrieval from high-dimesioal active/passive remote sesig data by usig artificial eural etworks. It. J.Remote Ses, 18 (4), 971 979. [19] Liu, M., Liu, X., Li, M., Fag, M., & Chi, W. (2010). Neural-etwork modelforestimatigleafchlorophyll cocetratio iriceuderstressfromheavymetalsusig four spectralidices. biosystems egieerig, 223-233. [20] Pye, S. J., Adrews, P. L., & Lave, R. D. (1996). Itroductio to wildlad fier. New York: Wiley. [21] Ramada, Z., Hopke, P. K., Johso, M. J., & Scow, K. M. (2005). Applicatio of PLS ad Back- Propagatio Neural Networks for the estimatio of soil properties. Chemometrics ad Itelliget Laboratory Systems, 75, 23 30. [22] Sapua, S., & Mujtaba, I. (2010). Composit Materials Techology, Neural Network Applicatios. Taylor ad Fracis. [23] Savitzky, A., & Golay, M. (1964). Smoothig ad differetiatio of data by simplified least square procedure. کاربرد شبکه هاي عصبي مصنوعي) ANN ( در تخمین محتواي آبي گیاهان) ( با... [24] Suárez, L., Zarco-Tejada, P., & Beri, J. (2009). Modellig PRI for water stress detectio usig radiative trasfer models. Remote Sesig of Eviromet, 113,730 744. [25] Tso, B., & Mather, P. (2001). classificatio methods for remotely sesded data. Talor & Fracis. [26] Uo, Y., Prasher, S., Lacroix, R., Goel, P., Karimi, Y., Viau, A., et al. (2005). Artificial eural etworks to predict cor yield from Compact Airbore Spectrographic Imager data. Computers ad Electroics i Agriculture, 47,149-161. [27] Ye, X., Sakai, K., Garciao, L. O., Asada, S.-I., & Sasao, A. (2006). Estimatio of citrus yield from airbore hyperspectral images usig a eural etwork model. ecological modellig, 198,426-432. [28] zacro-tejada, P., Millerb, J., Moralesc, A., Berjo a, A., & Agu era, J. (2004). Hyperspectral idices ad model simulatio for chlorophyll estimatio i ope-caopy tree crops. Remote Sesig of Eviromet, 90, 463 476. 12