• چهارشنبه ۲۰ آذر ۱۳۹۸
  • |

آمار سایت

  • تمام بازديد‌ها: 1687808 بازدید
  • بازديد 24 ساعت قبل: 2894 بازدید
  • مهمانان حاضر در زیرپورتال: 31 کاربر
  • کاربران حاضر در زیرپورتال:0 کاربر

ورود به سایت

“روش یادگیری عمیق (Deep Learning) با استفاده از داده های ماهواره ای و برنامه ی Google Earth Engine “

علی رغم آنکه امروزه حجم بسیار عظیمی از تصاویر ماهواره ای به شکل روزانه اخذ می گردند، اما همچنان نیاز مبرمی به توسعه ی روش های طبقه بندی این تصاویر در موارد برنامه ریزی شهری مدرن، کشاورزی و پایش محیط زیست وجود دارد و اساسا محققین معتقدند که هنوز به یک مدل بهینه و دقیق در این زمینه دست نیافته اند. از بیش از یک دهه ی پیش ،روش یادگیری عمیق (Deep Learning) توجه بسیاری از محققین حوزه ی پردازش تصویر را به خود جلب نموده است.این روش در سال 2006 توسط دو محقق کانادایی به نام های جفری هینتون (Geoffrey Hinton) و روسلان سالاخوت دینوف (Ruslan Salakhutdinof) ارائه گردیدند. پس از آن تکنیک های  مختلفی بر اساس روش یادگیری عمیق توسعه داده شدند که مهمترین آنها عبارتند از:
Deep Belief Nets (DBN)
Deep Boltzman Machives (DPM)
Stacked Auto-Encoder (SAE)
Convolutional Neural Networks (CNNs)

یکی از محبوب ترین روش ها از میان روش های فوق،روش شبکه عصبی کانولوشنی (CNNs) یا پیچشی می باشد.در ادامه به معرفی مثالی از یکی از تحقیقات انجام شده با استفاده از این روش خواهیم پرداخت اما قبل از آن، ببینیم تفاوت های CNNs با روش شبکه عصبی مصنوعی معمولی (ANNs) چیست. تفاوت اول در این است که در اصل، مدل CNNs به نوعی تنظیم شده ی مدل (MLP) یا پرسپترون چند لایه ای در ANNs می باشد که یک مدل "کاملا اتصالی" (Fully Connected) می باشد. یعنی هر سلول عصبی(نرون) در شبکه به تمامی سلول های دیگر متصل است. این ویژگی سبب بروز خطای "بیش برازش" (Overfitting) داده ای می گردد. یعنی مدل ما فقط داده‌هایی که در مجموعه آموزشی (Training)  یاد گرفته است را می‌تواند به درستی پیش‌بینی نماید حال آنکه اگر داده‌های ما کمی از مجموعه‌ی آموزشی فاصله بگیرند، مدل ما قادر نخواهد بود پاسخ درستی برای این داده‌های جدید پیدا کند و آن‌ها را با اشتباه زیادی طبقه‌بندی می نماید.روش معمولی برای بهینه کردن چنین خطاهایی استفاده از تابع زیان (Loss Function) می باشد که به آن تابع هزینه نیز می گویند که در آن پارامتر(وزن) های مدل شبکه عصبی، با استفاده از این تابع بهینه گردیده و نهایتا خطاها مینیمم می گردند.اما CNNs از روش متفاوتی استفاده  می کند و در حقیقت از گردآوردن یک سری الگوهای سلسله مراتبی در درون داده ها به منظور کمینه کردن خطا در خروجی استفاده می نماید.
شکل (1)- شمایی از مدل شبکه عصبی مصنوعی پیچشی (Convolutional)

در شبکه عصبی مصنوعی (ANNs)، ماکزیمم تعداد لایه های مخفی درون مدل، 3 عدد می باشد حال آنکه در مدل کانولوشنی (CNNs) می تواند بیش از 3 لایه باشد. پروژه ای که در اینجا مثال زده شده، با استفاده از مجموعه ی تصاویر سنتینل 2 مربوط به تاریخ های قبل و بعد از وقوع زمین لغزش های رخ داده درمناطق مختلف جهان می باشد. به منظور انتخاب داده ها از کاتالوگ جهانی زمین لغزش ناسا که زمین لغزش های رخ داده در نقاط مختلف جهان را از 2000 تا آخر 2017 گزارش نموده است استفاده شده است.در شکل (2)، عکسی از بخشی از نسخه ی ویرایش یافته ی این گزارش را  ملاحظه می نمایید.
 
شکل (2)- بخشی از گزارش جهانی زمین لغزه ها (تهیه سده توسط ناسا)
در این شکل،‌سبز به معنی داده های مناسب، قرمز به معنی داده های نامناسب و خاکستری به معنی اینکه دقت محلی آنقدر ناچیز بود که قادر به تضمین اینکه داده ها منطقه را در بر بگیرد نبود. اولین و مهمترین مشکل پروژه، اتوماتیک سازی فرآیند دانلود داده های مورد نیاز بود.مشکل بعدی،‌صرف زمانی معادل حداقل 30 دقیقه به منظور اعمال پیش پردازش های لازم در محیط SNAP (نرم افزار پردازش تصویر) بود. به همین منظور برای رفع مشکلات مذکور، از برنامه ی Google Earth Engine استفاده گردید که قادر به فیلتر گذاری داده ها براساس تاریخ،محصول کشاورزی،نمایش تراکم ابر(ابرناکی) می باشد و از آن مهمتر قادر است تا تمامی داده ها را از طریق یک لینک و در مدت زمان کوتاهی در حد فشردن یک "دکمه"، دانلود نماید. در مدل مورد استفاده در این پروژه، یک مدل CNNهشت لایه ای تعریف گردید (شکل-3).
 
شکل(3)- مدل CNN هشت لایه ای مورد استفاده در این پروژه

در شکل های 4 و 5 نمونه هایی از یکی از تصاویر مورد استفاده در این تحقیق مربوط به قبل و بعد از وقوع زمین لغزش در منطقه ی Xinmo در کشور چین در تاریخ 24 ژوئن 2017 نشان داده شده است.  
 
شکل(4)- تصویر Sentinel2 قبل از وقوع زمین لغزش در منطقه ی Xinmo در کشور چین
  
شکل(5)- تصویر Sentinel 2 بعد از وقوع زمین لغزش در منطقه ی Xinmo در کشور چین

References:
1.    Deep Learning for Satellite Image Classification, Mayar Aly Shafaey,Egyptian E-Learning University, Mohammed Abdel-Megeed Mohammed Salem,The German University in Cairo,Hala Mousher Ebied,Ain Shams University, Maryam Al-berry, Ain Shams University,Jan 2019.REsearchgate
2.    Deep learning in remote sensing applications: A meta-analysis and review
3.    Deep learning for remote sensing image classification: A survey. May 2018,Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery ,DOI: 10.1002/widm.126


کلیدواژه ها: Google Earth Engine | مدل شبکه عصبی | deep Learning | یادگیری عمیق | یادگیری ژرف |



CAPTCHA

دفعات مشاهده: 158 بار   |   دفعات چاپ: 0 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر