Algoritmu Ġenetiku Ibbażat fuq Ensemble f'żewġ Passi Għall-Klassifikazzjoni tal-Kopertura tal-Art

Astratt—Mapep preċiżi tal-użu tal-art u l-kopertura tal-art (LULC) huma għodod effettivi biex jgħinu biex jinkiseb ippjanar urban sod u agrikoltura ta’ preċiżjoni. Bħala teknoloġija ta 'ottimizzazzjoni intelliġenti, l-algoritmu ġenetiku (GA) ġie applikat b'suċċess għal diversi kompiti ta' klassifikazzjoni tal-immaġni f'dawn l-aħħar snin. Madankollu, GA sempliċi tiffaċċja sfidi, bħal kalkolu kumpless, immunità ħażina tal-istorbju, u konverġenza bil-mod. Din ir-riċerka tipproponi protokoll ta 'ensemble f'żewġ stadji għall-klassifikazzjoni LULC bl-użu ta' mudell GA ibbażat fuq skala griża. L-ewwel qafas ta 'ensemble juża ċ-mezzi fuzzy biex jikklassifika l-pixels f'dawk li huma diffiċli biex jiġbru flimkien u dawk li huma faċli biex jinġabru, li jgħin fit-tnaqqis tal-ispazju ta' tfittxija għal komputazzjoni evoluzzjonarja. It-tieni qafas ta 'ensemble juża twieqi tal-viċinat bħala informazzjoni euristika biex jimmodifika b'mod adattiv il-funzjoni oġġettiva u l-probabbiltà ta' mutazzjoni tal-GA, li jġib benefiċċji siewja għad-diskriminazzjoni u d-deċiżjoni tal-GA. F'dan l-istudju, tliet oqsma ta 'riċerka f'Dangyang, iċ-Ċina, huma utilizzati biex jivvalidaw l-effettività tal-metodu propost. L-esperimenti juru li l-metodu propost jista 'jżomm b'mod effettiv id-dettalji tal-immaġni, trażżan l-istorbju, u jikseb konverġenza rapida tal-algoritmu. Meta mqabbel mal-metodi ta 'referenza, l-aħjar preċiżjoni ġenerali miksuba mill-algoritmu propost hija 88.72%. Termini tal-Indiċi—Algoritmu ġenetiku (GA), użu tal-art u kopertura tal-art (LULC), tieqa tal-viċinat, klassifikazzjoni tal-immaġni ta 'rilevament remot, ensemble f'żewġ stadji.

cistanche tubulosa-titjib tas-sistema immuni

I. INTRODUZZJONI

L Użu u kopertura tal-art (LULC) għandu rwol essenzjali f'diversi aspetti, inklużi l-ekosistema, u l-ippjanar urban, Manuskritt riċevut fit-18 ta' April 2022; rivedut fit-2 ta' Settembru 2022; aċċettata fis-16 ta’ Novembru 2022. Data tal-pubblikazzjoni 30 ta’ Novembru 2022; data tal-verżjoni kurrenti 15 ta' Diċembru 2022. Dan ix-xogħol kien appoġġjat parzjalment mill-Fondazzjoni Nazzjonali tax-Xjenza Naturali taċ-Ċina taħt Għotja 62201438, Għotja 61772397, u Għotja 12005159, parzjalment mill-Speċjali tal-Innovazzjoni tax-Xjenza u t-Teknoloġija tal-Forestrija ta' Shaanxi taħt Għotja SXLK{{ 13}}, parzjalment mill-Programm ta' Riċerka Bażika tax-Xjenza Naturali ta' Shaanxi taħt Għotja 2021JC-23, u parzjalment mill-Proġett tax-Xjenza u l-Iżvilupp ta' Yulin Science and Technology Bureau taħt Għotja CXY-2020-094. (Yang Cao u Wei Feng ikkontribwew bl-istess mod għal dan ix-xogħol.) (Awturi korrispondenti: Wei Feng; u Yinghui Quan.) Yang Cao, Wei Feng, Yinghui Quan, Yijia Song, u Aifeng Ren huma mad-Dipartiment tax-Xjenza u t-Teknoloġija ta' Remote Sensing , Skola tal-Inġinerija Elettronika, Xidian University, Xi'an 710071, iċ-Ċina (e-mail: ycao6@stu.xidian.edu.cn; wfeng@xidian.edu.cn; yhquan@mail.xidian.edu.cn; yijia_son@ 163.com; afren@mail.xidian.edu.cn). Wenxing Bao huwa mal-Iskola tax-Xjenza u l-Inġinerija tal-Kompjuter, North Minzu University, Yinchuan 750021, iċ-Ċina (e-mail: baowenxing@nun.edu.cn). Gabriel Dauphin huwa mal-Laboratorju tal-Ipproċessar u t-Trażmissjoni tal-Informazzjoni, Institut Galilée, Università ta’ Pariġi XIII, 93430 Villetaneuse, Franza (e-mail: gabriel.dauphin@univ-paris13.fr). Mengdao Xing huwa mal-Akkademja tar-Riċerka Interdixxiplinarja Avvanzata, Xidian University, Xi'an 710071, iċ-Ċina (e-mail: xmd@xidian.edu.cn). Identifikatur tal-Oġġetti Diġitali 10.1109/JSTARS.2022.3225665 u ekonomija soċjali, ta' importanza profonda fis-sistema tad-Dinja [1], [2], [3], [4]. Studji bbażati fuq il-post, li jiddependu fuq interpretazzjoni manwali, huma manjieri li jieħdu ħafna ħin u li jaħdmu intensivi li ma jistgħux jikklassifikaw l-istatus tal-użu tal-art fil-ħin [5], [6], [7]. Għall-kuntrarju, il-progress reċenti fit-teknoloġija bis-satellita jipprovdi potenzjal eċċellenti biex issir distinzjoni preċiża bejn il-karatteristiċi varji tal-karatteristiċi tal-art u jinħolqu malajr mapep LULC taż-żona vasta [8], [9], [10]. Il-klassifikazzjoni tal-immaġini tas-sensing remot hija bejn wieħed u ieħor maqsuma f'approċċi sorveljati u mhux sorveljati [11], [12], [13], [14]. Il-prestazzjoni superjuri tal-klassifikaturi sorveljati tiddependi sostanzjalment fuq id-dejta bit-tikketta bi prezz għoli, li huwa diffiċli li tinkiseb [15]. Klassifikaturi mhux sorveljati jiksbu distribuzzjoni tad-dejta billi jaqsmu l-immaġni fi gruppi ta 'pixels b'karatteristiċi simili, bħal K-means [16], ISODATA [17], u fuzzy c-means (FCM) [18], li ġew utilizzati b'suċċess fil- Dominju tal-klassifikazzjoni LULC. Per eżempju, Dang et al. [19] ippropona l-FCMs kollaborattivi tal-qalba multipli raggruppament b'teknika ta 'granulazzjoni super-pixel peżata, li tista' tnaqqas l-oġġetti kkunsidrati tal-klassifikazzjoni tal-kopertura tal-art minn numru kbir ta 'pixels għal ftit mijiet ta' super-pixels biss ammont tal-oġġetti kkunsidrati. Paradis rilassat is-suppożizzjoni ta 'varjanza omoġenja fl-algoritmu standard k-means u ppreżentat metodu ġdid ta' klassifikazzjoni tal-kopertura tal-art imsejjaħ probabilistic k-means (P-Kmeans) [20], dan il-metodu jaħdem tajjeb fuq data multispettrali tal-istorbju u għandu titjib sostanzjali fil- l-eżattezza ġenerali (OA) meta mqabbla mal-k-means sempliċi. Sfortunatament, il-previżjonijiet ta 'dawn il-klassifikaturi jqisu biss il-karatteristiċi spettrali u jinjoraw il-korrelazzjoni spazjali tagħhom, li jwasslu għal robustezza fqira. Ir-rappreżentazzjoni konġunta tal-karatteristiċi spazjali-spettrali nstabet li ttejjeb l-immunità tal-istorbju tal-algoritmu u tnaqqas l-iżbalji ta 'klassifikazzjoni f'ħafna mudelli ta' klassifikazzjoni eżistenti [21], speċjalment algoritmi ta' clustering fuzzy [22], [23], [24]. FLICM [25] juża spazju fuzzy u kejl ta' xebh fuq skala griża biex itejjeb iż-żamma tad-dettalji tal-immaġni filwaqt li jiżgura insensittività għall-istorbju. Zhang et al. [26] tejbet l-algoritmu FCM konvenzjonali bl-użu ta 'fatturi ta' peżar adattivi għall-effetti tal-pixel ġirien ibbażati fuq mudell ġdid ta 'attrazzjoni spazjali tal-pixel. Lei et al. [27] ippropona FRFCM aktar sempliċi u sinifikament aktar veloċi bl-introduzzjoni ta' operazzjoni ta' rikostruzzjoni morfoloġika u filtrazzjoni tas-sħubija lokali. Wang et al. [28] ippreżenta FCM_SICM b'restrizzjoni ta' intensità spazjali adattiva u rabta ta' sħubija, li tnaqqas il-kumplessità tal-ħin tal-funzjoni oġġettiva minn O(n4). Madankollu, algoritmi mtejba FCM għadhom jippreżentaw sfidi f'termini ta 'tnaqqis tal-interferenza tal-istorbju.

Benefiċċji ta' cistanche tubulosa-ssaħħaħ is-sistema immuni

Intwera li l-problema tal-klassifikazzjoni tal-art tista 'tiġi dekomposta f'kompiti multipli ta' klassifikazzjoni binarja [29]. Is-sejba ta' klassifikazzjoni ottimali hija, għalhekk, meqjusa bħala problema ta' ottimizzazzjoni kombinatorja. Matul l-aħħar għaxar snin, kien hemm avvanz notevoli fir-riċerka tal-klassifikazzjoni tal-użu tal-art ibbażata fuq komputazzjoni evoluzzjonarja [30], [31]. Per eżempju, Yang et al. ippreżenta teknika bbażata fuq l-ottimizzazzjoni tal-particle swarm (PSO) u ddisinja funzjoni ta’ kriterju biex tidentifika l-kopertura tal-art [32]. Sarkar et al. [33] użaw l-entropija massima Rènyi (MRE) biex jiżviluppaw approċċ għal klassifikazzjoni mhux sorveljata tal-kopertura tal-art ibbażata fuq evoluzzjoni differenzjali (DE), li taħdem tajjeb fuq żewġ dejta tal-immaġni iperspettrali li tintuża ħafna. Algoritmi ġenetiċi (GAs), algoritmi effettivi ta 'ottimizzazzjoni globali, jimitaw mekkaniżmi ġenetiċi bijoloġiċi fil-proċess ta' għażla naturali għad-determinazzjoni ta 'soluzzjoni ottimali globalment [34], [35], [36], [37]. Il-GA standard jeħtieġ operazzjoni ta' kodifikazzjoni binarja biex tirrappreżenta soluzzjoni kandidata fil-forma ta' string [38], [39], [40]. F'kull iterazzjoni, l-operatur crossover jagħżel b'mod każwali żewġ soluzzjonijiet kandidati (jiġifieri, ġenituri) u jiskambja parti mill-informazzjoni tagħhom biex joħolqu soluzzjonijiet ġodda (jiġifieri, frieħ), li jtejjeb il-kapaċità ta 'esplorazzjoni tal-popolazzjoni [41]. Bħall-mutazzjoni tal-ġene fin-natura, l-operatur tal-mutazzjoni huwa applikat għall-GA biex ibiddel parti mill-informazzjoni fis-soluzzjonijiet tal-frieħ u jsaħħaħ it-tiftix lokali [42]. L-operatur tal-għażla jagħżel is-soluzzjonijiet kandidati bbażati fuq is-saħħa ta 'kull membru tal-popolazzjoni—jirriżerva proġenji aħjar u jelimina proġenji ħżiena. Dan il-mekkaniżmu, min-naħa tiegħu, isaħħaħ il-bilanċ bejn l-isfruttament u l-esplorazzjoni [43]. Mill-operaturi ġenetiċi msemmija hawn fuq, dawn l-individwi huma kkombinati biex jipproduċu ġenerazzjoni ġdida ta 'gruppi ta' soluzzjoni kandidati, u l-proċess huwa ripetut sakemm xi indiċi ta 'konverġenza jiġi sodisfatt. GA jakkwista u jakkumula għarfien dwar id-direzzjoni tat-tfittxija waqt il-proċess tat-tfittxija u, b'hekk, awtomatikament jikkontrolla d-direzzjoni tat-tfittxija biex jiġġenera s-soluzzjoni ottimali [44], li ġiet applikata b'suċċess għall-klassifikazzjoni tal-immaġini ta' telerilevament u kisbet riżultati tajbin. F'dawn l-aħħar snin ħarġu ħafna GAs imtejba [45]. Madankollu, għad hemm kwistjonijiet mhux solvuti. 1) Kalkoli estensivi. Il-konverġenza tal-GA tiddeterjora meta s-sett tad-dejta jsir akbar. 2) Il-prestazzjoni fqira kontra l-istorbju ta 'GA sempliċi li tiffoka fuq karatteristiċi spettrali hija ġeneralment sensittiva għall-ħsejjes fl-immaġni. 3) Konverġenza prematura. GA għandha kapaċità limitata ta 'tfittxija għall-ispazju l-ġdid u hija suxxettibbli li taqa' fl-aħjar lokali. Peress li d-dejta remota hija kkaratterizzata minn eteroġeneità, aħna niffukaw fuq klassifikaturi ensemble, li jenfasizzaw il-kumplimentarjetà fost il-karatteristiċi varji ta 'klassifikazzjoni [46], [47], [48]. L-idea kritika tal-istrateġija tal-ensemble hija li tħallat u tgħaqqad tbassir minn regoli ta 'klassifikazzjoni differenti [49], [50]. Fl-istudju ta '[51], huwa propost mudell ta' klassifikazzjoni ta 'ensemble preċiż ħafna biex jipprovdi mapep ta' klassifikazzjoni indipendenti multipli minn deskritturi ta 'karatteristiċi differenti. L-istudju ta '[52] jindika li l-qafas tal-ensemble li jikkonsisti f'mekkaniżmu ta' votazzjoni f'żewġ stadji jista 'jrażżan il-ħoss tad-dejta tal-immaġni oriġinali u jirfina l-klassifikazzjoni tas-silġ tal-baħar sa ċertu punt.

cistanche suppliment benefiċċji-żieda l-immunità

Ikklikkja hawn biex tara l-prodotti Cistanche Enhance Immunity

【Staqsi għal aktar】 Email:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

F'dan l-artikolu, huwa propost mudell GA imtejjeb ibbażat fuq strateġija ta 'ensemble f'żewġ stadji (TE-nGA) għall-klassifikazzjoni tal-kopertura tal-art ta' immaġini multispettrali. Għan-nuqqasijiet tal-GA, is-soluzzjoni tagħna hija li nużaw strateġija ta 'ensemble u twieqi spazjali fuq GA klassiku biex ittejjeb il-prestazzjoni kontra l-istorbju, l-eżattezza tal-klassifikazzjoni u l-veloċità ta' konverġenza. Il-kontribuzzjonijiet ewlenin ta 'dan l-artikolu huma kif ġej. 1) L-algoritmu FCM jintuża biex jikklassifika l-pixels f'dawk li huma diffiċli biex jinġabru flimkien u dawk li huma faċli biex jinġabru, li jnaqqas il-kumplessità tal-komputazzjoni. 2) GA bbażata fuq skala griża hija proposta billi tiġi kkunsidrata t-tieqa tal-viċinat spazjali fit-teħid tal-parametri euristiċi biex tiġi evitata konverġenza prematura u sensittività għall-istorbju. 3) Qafas ġdid ta 'ensemble f'żewġ stadji b'mekkaniżmu ta' klassifikazzjoni multiband huwa użat biex titnaqqas l-instabilità tas-soluzzjoni u l-iżbalji ta 'klassifikazzjoni.

II. METODU PROPOST TA' KLASSIFIKAZZJONI

Il-flowchart tal-algoritmu propost jidher fil-Fig. 1. U l-algoritmu jikkonsisti prinċipalment fit-tliet passi li ġejjin: it-tnaqqis tal-immaġini, is-sejba tal-pixels diffiċli biex jinġabru bl-użu tal-istrateġija tal-votazzjoni, u klassifikazzjoni mill-ġdid b'GA mtejba bbażata fuq mudell ta' ensemble u spettrali-spazjali fużjoni. Innota li, it-tieni u t-tielet passi huma l-partijiet kritiċi tal-algoritmu propost. Il-metodu propost huwa mfassal fl-Algoritmu 1.

A. Tnaqqis tal-Immaġni

Biex jiġu evitati artifacts tal-immaġni mill-istorbju tas-sensuri tal-immaġni li jaffettwa l-kwalità tax-xena, l-algoritmu jikkonsisti l-ewwel japplika block-matching u 3-D filtrazzjoni, algoritmu eżistenti ta' denoising popolari u effettiv [53]. Il-karatteristiċi ta 'dan l-iffiltrar jintgħażlu abbażi ta' din l-informazzjoni ġenerali, huwa kompromess bejn it-tnaqqis tal-ħoss li jifdal fl-immaġni rettifikata u l-preservazzjoni tal-bidliet fl-intensità fost il-pixels ġirien li jappartjenu għal raggruppamenti differenti. L-algoritmu ġie ppruvat li jegħleb algoritmi oħra ta 'filtrazzjoni fit-titjib tal-kwalità tal-immaġni.

B. L-Ewwel Stadju tal-Ensemble—Tsib tal-Pixels Diffiċli biex Tiġbor

Id-dijagramma blokk fuq ix-xellug tal-Fig. 1 turi immaġni multispettrali b'tul ta 'mewġ D, li minnha tista' tiġbed immaġini speċifiċi għal D bid-daqs ta 'H × W, indikati bħala I1, I2,..., ID. L-ewwel pass, diviżorji pixels bejn dawk li huma diffiċli biex jiġbru flimkien u dawk li huma faċli biex jiġbru fihom mill-inqas għal immaġni spettrali waħda, is-sħubija tagħhom hija probabbli ħafna. Għalhekk, ir-raggruppament tal-FCMs qed jiġi applikat separatament fuq kull immaġini spettrali biex jikklassifika l-pixels f'kategoriji N, fejn N jiġi stabbilit minn qabel b'interpretazzjoni viżwali. Jipproduċi għal kull pixel, kull wavelength, u kull sħubija ta 'cluster.

Fig. 1. flowchart tal-klassifikazzjoni LULC ibbażata fuq il-metodu propost.

fejn Id(i, j) hija l-intensità tal-pixel (i, j) fid-dth wavelength, un d (i, j) hija s-sħubija mal-nth cluster tal-pixel (i, j) fid-dth wavelength, 1 Inqas minn jew ugwali għal d Inqas minn jew ugwali għal D, 1 Inqas minn jew ugwali għal n Inqas minn jew ugwali għal N. Għad-dth wavelength, kull pixel huwa mmarkat b'tikketta tal-kategorija cd(i, j), kif

ibbażati fuq is-sħubija, il-pixels huma kklassifikati bħala Ke miġbura faċilment u diffiċli biex jinġabru Kd. Il-limitu τ użat huwa parametru biex jiżgura li l-pixel (i, j) ∈ Ke meqjus faċli biex jinġabar għandu grad għoli ta 'sħubija maċ-ċentru tal-cluster rilevanti. Ir-raggruppament (N + 1) fih il-pixels meqjusa diffiċli biex jiġbru flimkien u indikati Kd. Approċċi bbażati fuq il-votazzjoni jistgħu jsolvu kunflitti bejn deċiżjonijiet differenti ġġenerati minn regoli ta' klassifikazzjoni multipli. Għaldaqstant, ir-riżultati tal-klassifikazzjoni ta 'kull wavelength miksuba minn FCM huma integrati fil-mappa tal-klassifikazzjoni tal-ensemble C, ibbażata fuq il-prinċipju tal-votazzjoni tal-maġġoranza. It-tikketta tal-pixel f'C hija mmappjata mill-ġdid għall-pożizzjoni korrispondenti tal-immaġni multispettrali ffiltrata, u jinkisbu l-mapep finali ta 'riklassifikazzjoni, indikati bħala I1, I2, . . ., ID, kif il-frejm muri fin-nofs tal-Fig. 1. Wara li tapplika l-algoritmu FCM biex tikklassifika mill-ġdid il-pixels bħala faċli u diffiċli biex jiġu raggruppati, il-kwistjoni tal-analiżi tal-immaġni oriġinali kollha hija, għalhekk, konvertita fil-klassifikazzjoni tal- pixels diffiċli.

C. It-Tieni Stadju ta’ Ensemble—MtejbaGA Tqies tal-Pixels Ġirien

Fuq il-lemin tal-flowchart, qafas intitolat "The Second Round Ensemble" figuri żewġ kompiti: klassifikazzjoni GA bbażata fuq fattur konġunt spettrali-spazju u deċiżjoni ensemble għall-klassifikazzjoni multiband. Peress li l-problema ta 'klassifikazzjoni LULC hija dekomposta f'kompiti multipli ta' klassifikazzjoni binarja, għandna nindirizzaw sottoproblemi ta 'serje għal kull wavelength: jekk il-pixel (i, j) ∈ Kd jappartjenix għall-kategorija xth. 1 Inqas minn jew ugwali għal x Inqas minn jew ugwali għal N. Fl-aħħarnett, ir-riżultati tad-deċiżjoni ta 'l-N mapep ta' klassifikazzjoni binarja kollha huma kkombinati biex tinkiseb mappa ta 'klassifikazzjoni li jkun fiha N tipi ta' kopertura tal-art. Għal kull problema ta’ klassifikazzjoni binarja, il-GA mtejba bbażata fuq l-ispazju spettrali tiġi applikata għal pixels immarkati bħala l-(N + 1)th klassi biex jiġu ottimizzati aktar it-tikketti tal-kategorija ambigwi, illustrati fil-qafas b’sing ta’ Fig. 1. Il- l-interpretazzjoni ta' din il-GA mtejba bbażata fuq l-ispazju hija kif ġej. 1) Kodifikazzjoni tal-Kromożomi Binarji f'żewġ dimensjonijiet: Għal ID tal-immaġni, N mapep binarji jistgħu jiġu estratti minn kompiti ta 'klassifikazzjoni N. Kodifikazzjoni binarja bidimensjonali hija utilizzata biex iżżomm il-proprjetajiet strutturali spazjali ta 'individwi evolvew (individwu wieħed jirrappreżenta deċiżjoni potenzjali waħda). Id-daqs tal-matriċi ta' kodifikazzjoni huwa l-istess bħall-immaġni wavelength, jiġifieri H × W. Biex jiġi stmat jekk il-pixel (i, j) ∈ Kd jappartjenix għall-kategorija xth, 1 Inqas minn jew ugwali għal x Inqas minn jew ugwali għal N, għal kull wavelength, aħna nikkodifikaw pixels (i, j) ∈ Ke fil-klassi x miġbura mill-FCM bħala 1 u mhux kategorija x bħala 0, fejn l-ebda operazzjoni ta 'ottimizzazzjoni tal-evoluzzjoni ma titwettaq aktar. Dawk il-punti(i, j) ∈ Kd huma kodifikati b'mod każwali bħala 0 jew 1. L-ottimizzazzjoni evoluzzjonarja implimentata f'Kd se tesplora s-soluzzjonijiet kollha possibbli. 2) Funzjoni tal-Fitness Ibbażata fuq Tieqa tal-Viċinat: Il-funzjoni tal-fitness hija l-iktar indikatur kritiku biex tevalwa l-kwalità tal-individwi fil-popolazzjoni, li hija relatata mal-għażla tal-individwi u l-eżekuzzjoni tal-operaturi ġenetiċi. Il-pixels li jmissu magħhom huma korrelatati ħafna f'termini ta 'skala griża u tessut. Konsegwentement, l-informazzjoni kumplimentari tal-ispettri u l-ispazju hija adottata biex tiżviluppa funzjoni ta 'fitness komposta, li tipprovdi idea ġdida għat-titjib tal-immunità tal-istorbju tal-algoritmu. Għall-nth clustering kompitu fid-dth wavelength, ejja ngħidu li n-numru ta' individwi fil-popolazzjoni huwa P, CIp,n,d huwa l-individwi tal-passaġġ, 1 Inqas minn jew ugwali għal p Inqas minn jew ugwali għal P, 1 Inqas minn jew ugwali sa n Inqas minn jew ugwali għal N, 1 Inqas minn jew ugwali għal d Inqas minn jew ugwali għal D. Il-funzjoni ta' fitness ta' CIp,n,d hija Fitness=1 OF, OF hija kkalkulata bil-formula (3)

fejn r ∈ {{{0}}, 1}, Rr jindika l-pixels kodifikati bħala 0 jew 1, u l-istatistika tal-kwantità tagħhom hija rappreżentata bħala Nr. Iċ-ċentru tal-cluster rth vr huwa kkalkulat mill-medja tal-pixel tal-punti kollha li jappartjenu għal Rr. I d(i, j) hija l-intensità tal-pixel (i, j) fid-dth wavelength wara l-applikazzjoni tal-algoritmu ta' clustering FCM. Fil-funzjoni tal-viċinat Wr(i, j), it-twieqi tal-viċinat huma preżunti li huma kwadri, u t-tul tal-ġenb tagħhom s li jkun interi fard. N(i, j, s) jirrappreżenta t-tieqa tal-viċinat s × s fil-post indiċjat (i, j). Nt(i, j, s) tirrappreżenta l-intensità tat-th pixel fil-viċinat N(i, j, s). Il-grad ta 'sħubija tat-t pixel f'N (i, j, s) li jappartjenu għall-cluster rth huwa indikat bħala utr (i, j, s). lt(i, j, s) tirrappreżenta d-distanza spazjali bejn it-th pixel tal-viċinat u l-punt ċentrali (i, j). L huwa l-piż tad-distanza spazjali bejn il-punt ċentrali u l-pixels tal-viċinat tiegħu. 3) Operatur tal-Mutazzjoni li Juża Informazzjoni dwar il-Viċinat: Ġenerazzjonijiet ġodda qed jiġu ġġenerati b'mod iterattiv permezz ta' għażla individwali, crossover uniformi u mutazzjoni ġenetika, kif muri fil-qafas b'sing ta' Fig. pixels magħżula bl-istess probabbiltà, li inviżibbli tnaqqas ir-rata ta 'konverġenza ta' GA. Bħala l-operatur tekniku kritiku, tinħoloq probabbiltà mtejba ta' mutazzjoni euristika, flimkien ma' informazzjoni dwar il-viċinat, biex tikkalkula awtomatikament il-probabbiltà ta' mutazzjoni xierqa għal kull ġene. Il-formuli li ġejjin jiddefinixxu din il-probabbiltà ġdida ta' mutazzjoni:

għall-pixel taċ-ċentru (i, j), uht(i, j, s) jindika l-grad ta' sħubija tal-punt tal-viċinat Nt(i, j, s) li jappartjeni għaċ-ċentru ta' clustering vh, h ∈ {{{{0} }, 1}. Konsegwentement, il-probabbiltà ta' mutazzjoni adattiva Pm(i, j) tas-CIp,n,d individwali hija espressa bħala formula 8, fejn P0 hija l-probabbiltà ta' mutazzjoni bażika, ukoll il-probabbiltà ta' mutazzjoni globali f'GA klassiku; σ, l-esponent ta 'S, tirrappreżenta l-piż tal-influwenza tal-informazzjoni tal-viċinat dwar il-probabbiltà ta' mutazzjoni tal-pixel ċentrali. CIp,n,d(i,j) hija l-kodifikazzjoni binarja tal-individwu tal-mogħdija, għall-nth kompitu ta' clustering fid-dth wave length. lt(i, j, s)tindika d-distanza spazjali bejn il-pixel taċ-ċentru (i, j) u t-th pixel f'N(i, j, s). It-tikketta ta' Nt(i, j, s) hija indikata bħala Ct, jekk u1t hija akbar minn u0t, allura Ct=1; ieħor għaqli, Ct=0. Meta wieħed iqis it-twieqi differenti tal-viċinat, meta s=3, jista' jiġi kkalkulat li S ∈ [0, 4+2√2]; meta s=5, S ∈ [0, 6+3√2+1.6 √5]. Permezz tal-mekkaniżmu msemmi hawn fuq, il-punti (i, j) ∈ Kd jistgħu jakkwistaw b'mod adattiv probabbiltajiet xierqa ta' mutazzjoni bbażati fuq il-kategorija ta' pixels ġirien. Meta t-tikketta stmata CIp,n,d(i,j) tkun taqbel mal-biċċa l-kbira tal-kategoriji ta’ pixels tal-madwar, hija meħtieġa probabbiltà żgħira ta’ mutazzjoni biex tinżamm l-omoġeneità reġjonali oriġinali. Inkella, il-probabbiltà ta 'mutazzjoni tiżdied biex tagħmel CIp, n, d (i, j) it-tendenza li l-biċċa l-kbira tal-kategoriji fil-viċinat N (i, j, s). Mill-operaturi ġenetiċi msemmija hawn fuq, frieħ ġodda qed jiġu ġġenerati b'mod iterattiv. L-individwu bl-ogħla saħħa jinħareġ meta l-kundizzjoni ta 'iterazzjoni ma tkunx sodisfatta, kif muri fil-passi 10-16 tal-Algoritmu 1. Innota regola ta' klassifikazzjoni mhux tas-soltu ta 'dan il-metodu propost f'termini ta' klassifikazzjoni LULC. Il-GA proposta bbażata fuq l-ispazju jwettaq biss klassifikazzjoni binarja fuq kull immaġini tat-tul tal-mewġ. Għalhekk, meta N kollha tipi ta 'użu tal-art ġew diskriminati u N immaġini binarji, ir-riżultati tal-klassifikazzjoni huma mgħaqqda f'mappa ta' klassifikazzjoni kompluta. F'termini sempliċi, pixel(i, j) jappartjeni għall-kategorija li timmarkah bħala 1 fil-mappa tal-klassifikazzjoni binarja. Meta żewġ mapep binarji jew aktar jimmarkaw il-pixel bħala 1, il-pixel jiġi kklassifikat bħala dak bil-valur tal-idoneità akbar, kif muri fil-Fig. 2 u l-pass 19 tal-Algoritmu 1.

Algoritmu 1: Il-Proċedura tal-Mudell ta' Ensemble f'żewġ Passi Propost.

Fig. 2. Kombinazzjoni ta' erba' mapep tar-riżultati tal-klassifikazzjoni binarja.

Fl-aħħarnett, it-tieni mudell ta 'ensemble huwa applikat għall-mapep ta' klassifikazzjoni D, bil-għan li jingħaqad mapep ta 'klassifikazzjoni mill-wavelengths kollha fil-mappa finali LULC. Ir-regoli tal-ensemble huma kif ġej: ngħidu li hemm mapep ta’ klassifikazzjoni nk li jikklassifikaw il-pixel (i, j) bħala l-klassi kth, u l-kategorija finali CI(i, j)=k, jekk nk > nx, fejn x ∈ {1, 2,..., N}, x=k, N i=1 ni=D. Innota li fil-qafas tal-integrazzjoni, aħna dejjem ineħħu l-klassifikazzjoni b'mod selettiv jirriżulta fil-medda NIR minħabba li r-riżultati tal-klassifikazzjoni tagħha ħafna drabi huma inkredibbli.

III. RIŻULTATI SPERIMENTALI

A. Introduzzjoni għad-Data

Tliet settijiet ta 'dejta ta' immaġini ta 'rilevament remot akkwistati mis-satellita Beijing 2 huma użati biex jivverifikaw l-eżattezza u l-effettività tal-algoritmu propost. Beijing-2 hija kostellazzjoni tas-satellita ta' telerilevament kummerċjali ċivili (DMC3) li tikkonsisti fi tliet satelliti b'riżoluzzjoni għolja. Ġie mniedi fil-11 ta' Lulju, 2015, mill-Indja u wassal għal 651 km sinkroniku max-xemx. Is-sistema tal-kostellazzjoni ta' Beijing-2 tipprovdi madwar 24 km wiesgħa, 0.8 m riżoluzzjoni pankromatika, u 3.2 m riżoluzzjoni blu, aħdar, aħmar, u qrib infra-aħmar immaġini multispettrali fl-orbita, li jistgħu jipprovdu data bis-satellita ta' telerilevament u prodotti ta' informazzjoni spazjali b'kopertura globali u riżoluzzjoni spazjali u temporali eċċellenti, kapaċi tirrevedi kwalunkwe post fid-dinja għal jum jew jumejn. Immaġini sperimentali nkisbu fl-2018. Is-sit tat-test huwa tliet partijiet differenti tal-Belt ta 'Dangyang, Provinċja ta' Hubei, iċ-Ċina. F'dan l-artikolu, huma kkunsidrati biss immaġini multispettrali. Aħna wettaqna korrezzjoni atmosferika fuq din id-dejta tal-immaġni permezz ta 'ENVI(5.3). Il-mudell atmosferiku huwa xitwa subartiku u l-mudell aerosol huwa rurali. Barra minn hekk, l-irkupru tal-ajrusol li għażilna huwa 2-faxxa (KT). Il-parametri l-oħra ġew stabbiliti b'mod awtomatiku. L-immaġini kollha huma pproċessati minn qabel permezz ta' koreġistrazzjoni. Barra minn hekk, ġejna pprovduti bi klassifikazzjoni diġà ttikkettjata tal-immaġini kollha fl-erba 'jew ħames klassijiet. Dan huwa bbażat fuq spezzjoni viżwali eżawrjenti billi tiġi osservata l-immaġni oriġinali u rreġistrata fuq mappa ġeoreferenzjata bħala verità tal-art.

cistanche tubulosa-titjib tas-sistema immuni

B. Konfigurazzjoni tal-Parametru

F'dan l-esperiment, il-limitu τ ta' FCM huwa 0.8, id-daqs tal-popolazzjoni huwa ssettjat għal 40, il-probabbiltà ta' crossover Pc=0.8, il-probabbiltà ta' mutazzjoni bażi P0=0.001 , l-esponent σ huwa 2, id-daqs tat-tieqa tal-viċinat s huwa stabbilit għal 3 pixels, bil-għan li jżomm id-dettalji tal-immaġni filwaqt li jottimizza wkoll il-ħin tal-ipproċessar tal-kompjuter u d-direzzjoni tal-konverġenza. Disa' approċċi eżistenti ta' klassifikazzjoni tal-kopertura tal-art huma meħtieġa biex tiġi vverifikata l-effettività tal-metodu propost, inklużi FCM, ENFCM [22], FGFCM [23], FLICM [25], ADFLICM [26], FRFCM [27], FCM{{14} }SICM [28], MRE-DE [33], u P-Kmeans [20]. Is-settings tal-parametri huma identiċi għal-letteratura oriġinali, mhux imtennija hawn. Barra minn hekk, GA sempliċi għandu l-istess parametru daqs tal-popolazzjoni H u probabbiltà ta’ crossover Pc bħall-algoritmu propost f’dan l-artikolu, il-probabbiltà ta’ mutazzjoni Pm=0.01, iżda mingħajr informazzjoni dwar il-viċinat, il-qarrej jista’ jifhem li d-daqs tat-tieqa tal-viċinat huwa 1. B'mod partikolari, nGA iżomm lill-operatur ġenetiku li juża l-informazzjoni tal-viċinat iżda jħassar l-operazzjoni ensemble eżistenti f'TE-nGA.

C. Riżultati tal-Klassifikazzjoni

Fig. 3–5 juru r-riżultati tal-klassifikazzjoni LULC f'mapep tal-kulur li jikkorrispondu għall-mudelli differenti meta ttestjati fuq kull sett ta 'dejta. Peress li t-tliet immaġini remoti fihom tipi differenti ta 'użu tal-art, ir-rappreżentazzjoni tal-kulur tal-grafika ta' klassifikazzjoni mhijiex uniformi. Skont dawn ir-riżultati tal-klassifikazzjoni, għal tliet figuri, il-mapep tal-kulur miksuba bil-metodu propost huma aktar ċari u bla xkiel. It-Tabella I turi l-ħinijiet (il-ħin tat-tħaddim) u l-OA miksuba mit-12-il mudell u meta ttestjati fuq oqsma ta 'riċerka biex titqabbel il-prestazzjoni tal-klassifikazzjoni ma' metodi differenti. L-aħjar riżultati sperimentali huma murija b'tipa grassa. Wieħed jista 'jikkonkludi li l-metodu propost ippreżenta l-aħjar riżultati ġenerali, bl-ogħla OA ta' 88.72% u relattivament ftit pixels ħżiena. Għaż-Żona 3, meta tuża t-twieqi tal-viċinat, il-preċiżjoni tal-klassifikazzjoni ta 'LULC tiżdied bi 28.35%; Aktar importanti minn hekk, TE-nGA jista 'jnaqqas il-ħin ta' komputazzjoni għal 9257.56 s, meta mqabbel mal-GA sempliċi. Dan minħabba li l-operatur ta 'mutazzjoni euristiku tat-TE-nGA jista' jikkontrolla b'mod adattiv id-direzzjoni tat-tfittxija biex jaċċellera l-konverġenza tal-algoritmu, u jipprova li l-metodu propost huwa aktar adattat għal xenarji prattiċi. Barra minn hekk, nGA huwa ekwivalenti għal TE-nGA tneħħi operazzjoni ensemble, sabiex il-qarrej jista 'jifhem li l-TE-nGA timxi biss fuq l-immaġni single-band(band1). Għaż-Żona 3, meta jiġu introdotti l-oqfsa tal-ensemble, il-preċiżjoni tal-klassifikazzjoni tkompli titjieb bi 0.72%, li turi l-effettività tal-istrateġija tal-ensemble.

D. Analiżi tal-Parametri

Wieħed mill-essenzjali tal-metodu propost huwa li titqies l-informazzjoni tal-viċinat spazjali bħala informazzjoni euristika biex timmodifika b'mod adattiv il-funzjoni oġġettiva u l-probabbiltà tal-mutazzjoni, u b'hekk ittejjeb l-immunità tal-istorbju u l-eżattezza tal-klassifikazzjoni, kif ukoll il-veloċità tal-konverġenza. Madankollu, ma jfissirx li iktar ma jkun kbir id-daqs tat-tieqa, aħjar ikun l-effett tal-klassifikazzjoni. Fir-rigward tat-Tabella II, żieda fil-prestazzjoni hija osservata meta titqies l-informazzjoni tal-viċinat spazjali, meta jiżdied id-daqs tat-tieqa sa limitu xieraq, u mbagħad tonqos. Kollox huwa li kampjuni aktar 'il bogħod mill-pixel ċentrali jikkontribwixxu ftit għad-diviżjoni tal-kategorija tal-pixel ċentrali u saħansitra jaggravaw il-klassifikazzjoni ħażina. Minħabba oġġetti f'postijiet ġeografiċi diversi differenzi eżistenti fil-luminożità u n-nisġa, id-daqs ottimali tat-tieqa jidher li huwa 5 × 5 għal Żona 1 u Żona 2, iżda 3 × 3 għal Żona 3. Dan ir-riżultat jista 'jiġi osservat b'tipa grassa fit-Tabella II, tirrappreżenta l-aħjar preċiżjoni u l-iktar ħin ta 'konverġenza mgħaġġla. Barra minn hekk, sibna li l-probabbiltà tal-mutazzjoni bażi P0 u l-esponent σ huma wkoll fatturi vitali li jaffettwaw il-prestazzjoni tal-klassifikazzjoni. Fl-istudju tagħna, P0 u σ differenti huma użati biex jivverifikaw l-interpretazzjoni u l-klassifikazzjoni ta 'LULC. Fig. 6 tfassal il-kurvi tal-varjazzjoni ta' OA hekk kif P{{10}} u σ jiżdiedu. Irriżulta li, għal σ fiss, hekk kif P0 tiżdied, l-eżattezza tal-klassifikazzjoni ġenerali l-ewwel tiżdied u mbagħad tonqos. Dan ir-riżultat huwa mistenni peress li P0 żgħir se jikkawża li t-tfittxija tkun limitata għad-direzzjoni evoluttiva oriġinali u, b'hekk, taqa' f'ottimu lokali; bil-maqlub, P0 kbir se jkisser il-mudell evoluzzjonarju tajjeb u jiddevja r-riżultati mis-soluzzjoni ottimali. Min-naħa l-oħra, hekk kif tiżdied σ, l-effett tal-informazzjoni tal-viċinat huwa aktar sinifikanti, u l-aħjar valur bażiku tal-probabbiltà jinbidel gradwalment minn għoli għal baxx. Piżijiet xierqa tal-viċinat huma aktar li jwasslu biex jinkisbu l-aħjar riżultati ta 'klassifikazzjoni. Fil-qasam tar-riċerka tagħna, l-aħjar esponent huwa σ ∈ {2, 3}, u l-aktar firxa xierqa ta' P0 hija [10−5, 10−2].

Fig. 3. Riżultati tal-klassifikazzjoni taż-żona 1. (a) Verità tal-Art. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K tfisser. (k) GA. (l) nGA. (m) TE-nGA.

TABELLA I RIŻULTATI TA' EVALWAZZJONI TA' Tmien METODI DIFERENTI TA' KLASSIFIKAZZJONI FI TLIET OQSMA TA' STUDJU

Fig. 4. Riżultati tal-klassifikazzjoni taż-żona 2. (a) Verità tal-Art. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K tfisser. (k) GA. (l) nGA. (m) TE-nGA.

Fig. 5. Riżultati tal-klassifikazzjoni taż-żona 3. (a) Verità tal-Art. (b) FCM. (c) ENFCM. (d) FGFCM. (e) FLICM. (f) ADFLICM. (g) FRFCM. (h) FCM_SICM. (i) MRE-DE. (j) P-K tfisser. (k) GA. (i) nGA. (m) TE-nGA.

TABELLA II RIŻULTATI TA' EVALWAZZJONI TAT-TE-NGA PROPOSTA BL-UŻU TA' TWIEQI TA' DAQS DIFFERENTI FI TLIET OQSMA TA' STUDJU

Fig. 6. Analiżi tal-probabbiltà bażi ta' mutazzjoni P0 u esponent σ fil-probabbiltà ta' mutazzjoni euristika.

IV. KONKLUŻJONI

Il-kontribut ewlieni ta 'dan l-istudju huwa li jipproponi strateġija ta' ensemble superjuri f'żewġ stadji u GA bbażata fuq l-ispettrali-spazjali għall-klassifikazzjoni LULC ta 'immaġni multispettrali. L-ewwel mudell ta 'ensemble iwettaq FCM fuq immaġini multi-band, u jnaqqas il-kompitu ta' klassifikazzjoni ta 'immaġini sensati mill-bogħod għal determinazzjoni ta' kategorija ta 'pixels diffiċli biex jinġabru. It-tieni ipproċessar tal-grupp jinkludi żewġ kompiti. L-ewwel, il-GA mtejba li tgħaqqad l-informazzjoni spettrali u spazjali nħolqot biex toffri soluzzjonijiet innovattivi għall-puzzles, bħal konverġenza bil-mod u antistorbju fqir. Eżattament, dan it-titjib jibbenefika mill-funzjonijiet ġodda ta 'fitness u l-probabbiltà ta' mutazzjoni, bl-użu ta 'tieqa tal-viċinat xierqa. Imbagħad, il-mudell ensemble huwa adottat biex jintegra r-riżultati tal-klassifikazzjoni derivati ​​minn immaġini ta 'faxxa multipli, li jintuża biex jitnaqqas ir-riskju ta' klassifikazzjoni ħażina. Ir-riżultati juru li t-TE-nGA propost għandu prestazzjoni ta 'klassifikazzjoni preferibbli u konverġenza aktar mgħaġġla minn GA sempliċi. Fil-futur, nistennew li testendi l-applikazzjoni tat-teknika proposta għal oqsma oħra, bħall-klassifikazzjoni tal-uċuħ tar-raba, l-iskoperta tal-mira u l-klassifikazzjoni tal-immaġni iperspettrali.

Benefiċċji ta' cistanche tubulosa-ssaħħaħ is-sistema immuni

REFERENZI

[1] T. Hermosilla, MA Wulder, JC White, u NC Coops, "Klassifikazzjoni tal-kopertura tal-art f'era ta' dejta kbira u miftuħa: L-ottimizzazzjoni tal-implimentazzjoni lokalizzata u l-għażla tad-dejta tat-taħriġ biex ittejjeb ir-riżultati tal-mapping," Remote Sens. Environ., vol. . 268, 2022, Art. le. 112780.

[2] P. Helber, B. Bischke, A. Dengel, u D. Borth, "EuroSAT: A new dataset and deep learning benchmark for land use and land cover classification," IEEE J. Sel. Suġġetti Appl. Earth Observ. Remote Sens., vol. 12, Nru. 7, pp. 2217–2226, Lulju 2019.

[3] C. Li, G. Xian, Q. Zhou, u BW Pengra, "Metodu ġdid ta 'tagħlim awtomatiku tal-fenoloġija (APL) ta' għażla ta 'kampjuni ta' taħriġ li juża settijiet ta 'dejta multipli għall-immappjar tal-kopertura tal-art f'serje ta' ħin," Remote Sens. Environ. , vol. 266, 2021, Art. le. 112670.

[4] S. Ji, D. Wang, u M. Luo, "Adattament tad-dominju spazjali sħiħ ibbażat fuq netwerk avversarju ġenerattiv għall-klassifikazzjoni tal-kopertura tal-art minn stampi ta' telerilevament b'sors multipli," IEEE Trans. Geosci. Remote Sens., vol. 59, Nru. 5, pp. 3816–3828, Mejju 2021.

[5] Y. Quan, Y. Tong, W. Feng, G. Dauphin, W. Huang, u M. Xing, "Metodu ġdid ta 'fużjoni ta' immaġni ta 'immaġini multi-spettrali u SAR għall-klassifikazzjoni tal-kopertura tal-art," Remote Sens. , vol. 12, Nru. 22, 2020, Art. le. 3801.

[6] B. Iqbal u M. Ali, "Estimation of spatio-temporal air temperature from satellite-based lst under semi-arid to arid environment in Peshawar Basin, Northwest Pakistan," Adv. Space Res., vol. 70, Nru. 4, pp. 961–975, 2022.

[7] H.-c. Shih, DA Stow, JR Weeks, u LL Coulter, "Iddetermina t-tip u l-ħin tal-bidu tal-kopertura tal-art u l-bidla fl-użu tal-art fin-Nofsinhar tal-Gana bbażata fuq analiżi diskreta ta 'serje tal-ħin tal-immaġni Landsat densa," IEEE J. Sel. Suġġetti Appl. Earth Observ. Remote Sens., vol. 9, Nru. 5, pp 2064–2073, Mejju 2016.

[8] A. Jamil u B. Bayram, "Tree species estraction and land use/cover classification from high-resolution digital orthophoto maps," IEEE J. Sel. Suġġetti Appl. Earth Observ. Remote Sens., vol. 11, Nru. 1, pp. 89–94, Jannar 2018.

[9] Z. Xue, P. Du, u L. Feng, "Klassifikazzjoni tal-kopertura tal-art immexxija mill-fenoloġija u analiżi tat-tendenza bbażata fuq serje ta 'immaġni ta' telerilevament fit-tul," IEEE J. Sel. Suġġetti Appl. Earth Observ. Remote Sens., vol. 7, Nru. 4, pp. 1142–1156, April 2014.

[10] Q. Zhu et al., "Sejbien tal-bidla fl-użu tal-art/il-kopertura tal-art ibbażata fuq qafas ta' tagħlim globali siamese għal xbihat ta' telerilevament b'riżoluzzjoni spazjali għolja," ISPRS J. Photogrammetry Remote Sens., vol. 184, pp. 63–78, 2022.

[11] W. Feng, G. Dauphin, W. Huang, Y. Quan, u W. Liao, "Teknika iterattiva ta' subkampjunar ibbażata fuq il-marġni ġdida f'foresti każwali modifikati għall-klassifikazzjoni," Knowl.-Based Syst., vol. 182, 2019, Art. le. 104845.

[12] W. Feng et al., "Teknika ta' kampjunar żejjed ta' minoranza sintetika dinamika bbażata fuq il-foresta ta' rotazzjoni għall-klassifikazzjoni ta' data iperspettrali żbilanċjata," IEEE J. Sel. Suġġetti Appl. Earth Observ. Remote Sens., vol. 12, Nru. 7, pp. 2159–2169, Lulju 2019.

[13] Y. Sun, L. Mou, Y. Wang, S. Montazeri, u XX Zhu, "Irkupru tal-għoli tal-bini fuq skala kbira minn immaġini SAR waħda bbażata fuq netwerks ta' rigressjoni tal-kaxxa tal-konfini," ISPRS J. Photogrammetry Remote Sens., vol. 184, pp. 79–95, 2022.

[14] R. Yang, X. Xu, Z. Xu, H. Dong, R. Gui, u F. Pu, "Analiżi tan-nisġa fractal dinamika għall-klassifikazzjoni tal-kopertura tal-art PolSAR," IEEE Trans. Geosci. Remote Sens., vol. 57, Nru. 8, pp. 5991–6002, Awwissu 2019

[15] S. Saha, F. Bovolo, u L. Bruzzone, "Building change detection in VHR SAR images via unsupervised deep transcoding," IEEE Trans. Geosci. Remote Sens., vol. 59, Nru. 3, pp 1917–1929, Marzu 2021.

[16] MK Islam, MS Ali, MS Miah, MM Rahman, MS Alam, u MA Hossain, "Kxif tat-tumur tal-moħħ f'immaġini MR bl-użu ta 'superpixels, analiżi tal-komponenti prinċipali u algoritmu ta' clustering k-means ibbażat fuq mudell," Mach. Tgħallem. Appl., vol. 5, 2021, Art. le. 100044.

[17] Q. Wang, Q. Li, H. Liu, Y. Wang, u J. Zhu, "An improved ISODATA algorithm for hyperspectral image classification," fi Proc. 7 Int. Congr. Proċess tas-Sinjal tal-Immaġini., 2014, pp. 660–664.

[18] S. Ghaffarian u S. Ghaffarian, "Automatic histogram-based fuzzy cmeans clustering for remote sensing imagery," ISPRS J. Photogrammetry Remote Sens., vol. 97, pp. 46–57, 2014.

[19] TH Dang, DS Mai, u LT Ngo, "Multiple kernel collaborative fuzzy clustering algorithm with weighted super-pixels for satellite image landcover classification," Eng. Appl. Artif. Intell., vol. 85, pp. 85–98, 2019.

[20] E. Paradis, "Klassifikazzjoni probabilistika mingħajr sorveljanza għal analiżi fuq skala kbira tad-dejta tal-immaġini spettrali," Int. J. Appl. Ġeoinformazzjoni għall-Osservazzjoni tad-Dinja, vol. 107, 2022, Art. le. 102675.

[21] X. Hu, X. Wang, Y. Zhong, u L. Zhang, "S3aNet: Netwerk ta' attenzjoni fuq skala spettrali-spazjali għal klassifikazzjoni preċiża ta' uċuħ tar-raba' tarf sa tarf ibbażata fuq xbihat UAVborne H2," ISPRS J. Photogrammetry Remote Sens., vol. 183, pp. 147–163, 2022.

[22] L. Szilagyi, Z. Benyo, S. Szilagyi, u H. Adam, "Mr brain image segmentation using an enhanced fuzzy c-means algorithm," fi Proc. 25 Ann. Int. Konf. IEEE Eng. Med. Biol. Soc., 2003, vol. 1, pp. 724–726.

[23] W. Cai, S. Chen, u D. Zhang, "Algoritmi ta' clustering c-means fuzzy veloċi u robusti li jinkorporaw informazzjoni lokali għas-segmentazzjoni tal-immaġni," Pattern Recognit., vol. 40, Nru. 3, pp. 825–838, 2007.

[24] Y. Zhang, X. Bai, R. Fan, u Z. Wang, "Deviation-sparse fuzzy c-means with neighbor information constraint," IEEE Trans. Fuzzy Syst., vol. 27, Nru. 1, pp. 185–199, Jannar 2019.

[25] S. Krinidis u V. Chatzis, "A robust fuzzy local information C-means clustering algorithm," IEEE Trans. Proċess tal-Immaġini., vol. 19, Nru. 5, pp. 1328–1337, Mejju 2010.

[26] H. Zhang, Q. Wang, W. Shi, u M. Hao, "A novel adaptive fuzzy local information C -means clustering algorithm for remotely sensed imagery classification," IEEE Trans. Geosci. Remote Sens., vol. 55, Nru. 9, pp 5057–5068, Settembru 2017.

[27] T. Lei, X. Jia, Y. Zhang, L. He, H. Meng, u AK Nandi, "Algoritmu ta 'clustering C-means fuzzy b'mod sinifikanti veloċi u robust ibbażat fuq rikostruzzjoni morfoloġika u filtrazzjoni ta' sħubija," IEEE Trans. Fuzzy Syst., vol. 26, Nru. 5, pp. 3027–3041, Ottubru 2018.

[28] Q. Wang, X. Wang, C. Fang, u W. Yang, "Algoritmu ta 'clustering robust ta' C-means fuzzy b'restrizzjoni spazjali u ta 'intensità adattiva u rabta ta' sħubija għas-segmentazzjoni tal-immaġni tal-istorbju," Appl. Soft Comput., vol. 92, 2020, Art. le. 106318.

[29] G. Yiqiang, W. Yanbin, J. Zhengshan, W. Jun, u Z. Luyan, "Klassifikazzjoni ta 'immaġni ta' telerilevament mill-algoritmu ġenetiku tal-kaos fil-monitoraġġ tal-bidliet fl-użu tal-art," Matematika. Kompjuta. Mudell., vol. 51, Nru. 11, pp. 1408–1416, 2010.

[30] M. Iqbal, B. Xue, H. Al-Sahaf, u M. Zhang, "Użu mill-ġdid ta 'dominju trasversali ta' għarfien estratt fl-ipprogrammar ġenetiku għall-klassifikazzjoni tal-immaġni," IEEE Trans. Evol. Comput., vol. 21, Nru. 4, pp. 569–587, Awwissu 2017.

[31] R. Hamad, "A remote sensing and GIS-based analysis of Urban Sprawl in Soran district, Iraqi Kurdistan," SN Appl. Sci., vol. 2, Nru. 1, pp. 1–9, 2019.

[32] H. Yang, Q. Du, u G. Chen, "Tnaqqis tad-dimensjonijiet iperspettrali bbażat fuq l-ottimizzazzjoni tal-partiċelli għall-klassifikazzjoni tal-kopertura tal-art urbana," IEEE J. Sel. Suġġetti Appl. Earth Observ. Remote Sens., vol. 5, Nru. 2, pp. 544–554, April 2012.

[33] S. Sarkar, S. Das, u SS Chaudhuri, "Segmentazzjoni ta 'l-immaġini iper-spettrali bl-użu ta' thresholding f'ħafna livelli bbażat fuq l-entropija Rényi megħjuna b'evoluzzjoni differenzjali," Espert Syst. Appl., vol. 50, pp. 120–129, 2016.

[34] S. Sen Gupta, S. Hossain, u K.-D. Kim, "Immaġini bħal HDR minn fużjoni ta 'immaġni psewdoespożizzjoni: Approċċ ta' algoritmu ġenetiku," IEEE Trans. Consum. Electron., vol. 67, Nru. 2, pp. 119–128, Mejju 2021.

[35] C. Peng, X. Wu, W. Yuan, X. Zhang, Y. Zhang, u Y. Li, "MGRFE: Eliminazzjoni ta' karatteristiċi rikorsivi b'ħafna saffi bbażati fuq algoritmu ġenetiku integrat għall-klassifikazzjoni tal-kanċer," IEEE/ACM Trans . Kompjuta. Biol. Bioinf., vol. 18, Nru. 2, p. 621–632, Mar./Apr. 2021.

[36] HH Zhang, ZS Xue, XY Liu, P. Li, L. Jiang, u GM Shi, "Ottimizzazzjoni ta 'kanal ta' veloċità għolja għall-integrità tas-sinjal b'algoritmu ġenetiku profond", IEEE Trans. Elettromagn. Kompat., vol. 64, Nru. 4, pp. 1270–1274, Awwissu 2022.

[37] Z. Huang, W. Wu, H. Liu, W. Zhang, u J. Hu, "L-identifikazzjoni ta' bidliet dinamiċi fil-wiċċ tal-ilma bl-użu ta' data sentinel-1 ibbażata fuq algoritmi ġenetiċi u tekniki ta' tagħlim bil-magni," Remote Sens., vol. 13, Nru. 18, 2021, Art. le. 3745.

[38] F. Ye, C. Doerr, H. Wang, u T. Bäck, "Konfigurazzjoni awtomatizzata ta 'algoritmi ġenetiċi permezz ta' sintonizzazzjoni għal prestazzjoni f'kull ħin," IEEE Trans. Evol. Comput., vol. 26, Nru. 6, pp. 1526–1538, Diċembru 2022.

[39] MG Souza, EE Vallejo, u K. Estrada, "Detecting clustered independent rare variant associations using genetic algorithms," IEEE/ACM Trans. Kompjuta. Biol. Bioinf., vol. 18, Nru. 3, pp 932–939, Mejju/Ġunju. 2021.

[40] T. Dutta, S. Dey, S. Bhattacharyya, S. Mukhopadhyay, u P. Chakrabarti, "Hyperspectral multi-level image thresholding using qutrit genetic algorithm," Espert Syst. Appl., vol. 181, 2021, Art. le. 115107.

[41] Y.-R. Chen, J.-W. Chen, S.-C. Hsieh, u P.-N. Ni, "L-applikazzjoni ta 'teknoloġija ta' telerilevament għall-interpretazzjoni tal-użu tal-art għal valangi tal-art ikkawżati mix-xita bbażati fuq algoritmi ġenetiċi u netwerks newrali artifiċjali", IEEE J. Sel. Suġġetti Appl. Earth Observ. Remote Sens., vol. 2, Nru. 2, pp. 87–95, Ġunju 2009.

[42] D. Corus u PS Oliveto, "Algoritmi ġenetiċi ta' stat stabbli standard jistgħu jitilgħu għoljiet aktar malajr minn algoritmi evoluzzjonarji ta' mutazzjoni biss," IEEE Trans. Evol. Comput., vol. 22, Nru. 5, pp. 720–732, Ottubru 2018.

[43] TL Cerqueira, FC Bertoni, u MG Pires, "Instance genetic selection for fuzzy rule-based systems optimization to opinion classification," IEEE Latin Amer. Trans., vol. 18, Nru. 7, pp. 1215–1221, Lulju 2020.

[44] JE Batista, AIR Cabral, MJP Vasconcelos, L. Vanneschi, u S. Silva, "Improving land cover classification using genetic programming for feature construction," Remote Sens., vol. 13, Nru. 9, 2021, Art. le. 1623.

[45] A. Mohammadi, H. Asadi, S. Mohamed, K. Nelson, u S. Nahavandi, "Algoritmi ġenetiċi multi-oġġettivi u interattivi għall-irfinar tal-piż ta 'algoritmu ta' cueing tal-moviment ibbażat fuq il-kontroll ta' tbassir mudell," IEEE Trans. Cybern., vol. 49, Nru. 9, pp. 3471–3481, Settembru 2019.

[46] A. Khoder u F. Dornaika, "Ensemble learning via feature selection and multiple transformed subsets: Application to image classification," Appl. Artab. Comput., vol. 113, 2021, Art. le. 108006.

[47] W. Feng, W. Huang, u W. Bao, "Klassifikazzjoni ta 'immaġni iperspettrali żbilanċjata b'metodu ta' ensemble adattiv ibbażat fuq SMOTE u foresti ta 'rotazzjoni b'rati ta' kampjunar differenzjati," IEEE Geosci. Remote Sens Lett., vol. 16, Nru. 12, pp. 1879–1883, Diċembru 2019.

[48] ​​W. Feng et al., "Foresti ta 'rotazzjoni semi-superviżjoni bbażati fuq it-teorija tal-marġni ta' l-insieme għall-klassifikazzjoni ta 'immaġni iperspettrali b'dejta ta' taħriġ limitata," Inf. Sci., vol. 575, pp. 611–638, 2021.

[49] Z. Zhu, Z.Wang, D. Li, Y. Zhu, uW. Du, "Tagħlim ta 'ensemble strutturali ġeometriku għal problemi żbilanċjati," IEEE Trans. Cybern., vol. 50, Nru. 4, pp. 1617–1629, April 2020.

[50] Q. Sun u Z. Ge, "Tagħlim fil-fond għat-tbassir tal-KPI industrijali: Meta t-tagħlim tal-ensemble jiltaqa' ma' data semi-superviżjoni," IEEE Trans. Ind. Informat., vol. 17, Nru. 1, pp. 260–269, Jannar 2021.

[51] X. Gu, C. Zhang, Q. Shen, J. Han, PP Angelov, u PM Atkinson, "Qafas ta 'ensemble ġerarkiku bbażat fuq prototipi ta' awto-taħriġ għall-klassifikazzjoni ta 'xena ta' telerilevament," Inf. Fużjoni, vol. 80, pp. 179–204, 2022.

[52] B. Wang, L. Xia, D. Song, Z. Li, u N. Wang, "Metodu ta' tagħlim ta' ensemble ibbażat fuq strateġija ta' votazzjoni b'żewġ rawnds għall-klassifikazzjoni tas-silġ tal-baħar ta' xbihat sentinella-1, " Remote Sens., vol. 13, Nru. 19, 2021, Art. le. 3945.

[53] K. Dabov, A. Foi, V. Katkovnik, u K. Egiazarian, "Image denoising by sparse 3-D transform-domain collaborative filtering," IEEE Trans. Proċess tal-Immaġini., vol. 16, Nru. 8, pp 2080–2095, Awwissu 2007.