ارائه کننده: رضا عبداللهیاستاد راهنما: دکتر مریم ایمانی آرانیاستاد مشاور: دکتر حسن قاسمیان یزدی استاد ناظر داخلی: دکتر نادر مکاری یامچی استاد ناظر خارج از دانشگاه: دکتر احمد کلهر (دانشگاه تهران) تاریخ: ۱۴۰۳/۱۰/۱۶ ساعت: ۱۱ تا ۱۲:۳۰ مکان: آزمایشگاه پردازش تصویر و آنالیز داده

چکیده: سنجش از دور به معنای سنجش سطح زمین از فضا با استفاده از خواص امواج الکترومغناطیس ساطع شده، بازتاب شده یا پراش شده توسط اجسام مورد سنجش به منظور بهبود مدیریت منابع طبیعی، کاربری زمین و حفاظت از محیط زیست است. SAR یک روش تصویر برداری فعال مبتنی بر مایکروویو است که در سکوی‌ های متحرک مانند هواپیما یا ماهواره استفاده می‌ شود. وقتی از فعال صحبت می‌ شود منظور این است که سنجنده به منبع انرژی خود برای تابش به ناحیه، مجهز است. این امکان وجود دارد که طول موج ارسالی را به نحوی انتخاب کرد که بتوان تضعیف امواج الکترومغناطیس ناشی از جو را نادیده گرفت. بنابراین سنجنده SAR می‌ تواند تقریبا تحت هر شرایط آب و هوایی کار کند، و این یکی از مزیت‌ های اصلی این سنجنده نسبت به سایر روش‌ های سنجش از دور در این حوزه می‌ باشد. با توجه به گستردگی سنجنده‌ های PolSAR و قابلیت‌ های آنان مانند تصویربرداری در شب و روز و در شرایط آب و هوایی مختلف و همچنین با توجه به حجم داده‌ ای که تولید می‌ کنند و اطلاعات مفیدی که در زمینه‌ های مختلف به محققان ارائه می‌ دهند، نیاز به پردازش خودکار و استناج از آن‌ ها در سال‌ ها قبل احساس شده و تا به امروز محققان بسیاری از زوایای مختلفی بر روی این نوع از داده‌ ها به پژوهش پرداخته‌ اند. با توجه به قابلیت‌ های روش‌ های یادگیری عمیق، همانند استنتاج و استخراج ویژگی به صورت یکپارچه، و همچنین ظرفیت‌ هایی که از خود در حوزه‌ های مختلف نشان داده‌ اند، استفاده و بررسی آن‌ ها در سال‌ های اخیر به شدت افزایش یافته است. از چالش‌ های اصلی این نوع از روش‌ ها که به صورت تحت نظارت آموزش می‌ بینند و به نسبت روش‌ های ستنی‌ تر یادگیری ماشین به نمونه‌ های آموزشی بیش‌ تری نیاز دارند، کمبود نمونه‌ های آموزشی به علت زمان‌ بر و هزینه‌ بر بودن تهیه‌ ی برچسب برای داده‌ ‌ ی مورد نظر می‌ باشد. از طرف دیگر یکی از چالش‌ های خاص داده‌ ی PolSAR وجود نویز Speckle است. در بسیاری از روش‌ های طبقه‌ بندی تصاویر از همگنی نواحی کمک گرفته می‌ شود، مانند استفاده از شبکه کانولوشنی. که این همگنی در ذات صحنه‌ ی مورد سنجش ما وجود دارد و این مساله مستقل از نحوه اکتساب تصویر می‌ باشد. نکته قابل توجه این است که بسیاری از این روش‌ ها به داده‌ ‌ ی PolSAR صرفا از منظر تصویر توجه می‌ کنند، مگر در پژوهش‌ هایی که بر استخراج ویژگی به خصوص از منظر فیزیکی توجه دارند، مانند روش‌ های تجزیه‌ ای که به طور مختصری در فصل یک و دو به آن‌ ها اشاره شد، اما در SAR جدای از ویژگی‌ های متفاوتی که می‌ تواند بیان کند، به خصوص از منظر فرکانسی، نحوه اکتساب و تشکیل تصویر آن متفاوت است. در این پژوهش سعی شده است تا با استفاده از نحوه‌ ی تصویربرداری این نوع از سنجنده‌ ها و در نظر گرفتن وجود خاصیت دنباله‌ ای در این نوع از داده‌ ها، با بهره‌ گیری همزمان از خاصیت یکپارچگی صحنه و بافت توسط CNN از خاصیت دنباله‌ ای نیز با کمک BiLSTM استفاده شود. برای بررسی عملکرد روش پیشنهادی از سه معیار صحت کل، میانگین صحت کلاس‌ ها و ضریب کاپا و همچنین مقایسه کیفی نتایج بر روی چهار مجموعه داده استفاده شده است. نتایج حاصله نشان می‌ دهد روش پیشنهادی مقاومت بیش‌ تری به نویز دارد و توانسته با تعداد کمی از نمونه‌ های آموزشی به نتایج امیدوار کننده‌ ای دست یابد و سازگاری فضایی مطلوبی را ایجاد کند.