نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی ارشد مهندسی عمران دانشگاه تهران

2 استادیار دانشکده مهندسی نقشه برداری دانشگاه تهران

چکیده

از منظر تنوع زیستی، جزایر مرجانی مانند جنگل‌های استوایی، متنوع ترین اکوسیستم‌های جهان و شاخصی از سلامت اکوسیستم محسوب می‌شوند اما اکثر این جزایر به دلیل تحولات توریستی و نیز تأثیرات تغییر آب‌وهوا رو به نابودی‌اند.توانایی شناسایی و ارزیابی سلامت مرجان‌ها با استفاده از تصاویر ماهواره‌ای شیوه‌ای مقرون‌به‌صرفه و موثر است. با توجه به اثرگذاری دمای سطح آب بر روی سلامت و توزیع رجان‌ها، با استفاده از الگوریتم هایی به رابطه‌ی بین آن‌ها و سلامت مرجان‌های ‌منطقه مورد مطالعه که در این مقاله جزیره مرجانی هرون استرالیا می‌باشد، پرداخته‌شده است. در این مطالعه با استفاده از تصاویر لندست-8 و به دست آوردن بازتابش باندها، ویژگی‌ها و شاخص‌های طیفی مهم مرتبط با آب و صخره‌های مرجانی مانند: NDVI, NDWI, FAI, AWEI, SWI,MNDWI,GRVI توسط محققین و با استفاده از روش رگرسیون بردار پشتیبان (SVR) و بدست آوردن پارامترهای کرنل آن، به مدل‌سازی وضعیت سلامت صخره‌های مرجانی پرداخته‌شده است. در این مقاله از الگوریتم‌های تکاملی مثل الگوریتم ژنتیک (GA) و الگوریتم انتخاب ویژگی ترتیبی جلویی(SFS) برای رسیدن به انتخاب ویژگی مطلوب و مدل‌سازی بهینه و طبقه‌بندی سلامت مرجان‌ها استفاده ‌شده است.در این مقاله با استفاده از روش رگرسیون بردار پشتیبان در حالت کلی به 0.591RMSE= و0.979=R2 رسیدیم و در حالت پیشنهادی(GA-SVR) به 0.53RMSE= و0.983 =R2 رسیدیم که بیانگر عملکرد خوب این مدل بهینه می-باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Coral Reef modeling using Support Vector Regression and applying spectral indices

نویسندگان [English]

  • S eslami 1
  • M hasanlou 2

چکیده [English]

Coral reef communities face unprecedented pressures at local, regional and global scales as a consequence of climate change and anthropogenic disturbance. Remote sensing, from satellites or aircraft, is possibly the only means to measure the effects of such stresses at appropriately large spatial scales. Coral reefs are indicators of environmental, climate and sea surface change which shows the reefs damages. For this purpose, an algorithm that includes relation between those variables was used. Australia’s Heron reef island is considered to be studied. In order to modeling the coral reef health condition by support vector regression (SVR), water and coral important spectral indexes and features was found using landsat-8. From this method, the SVR is achieved the high performance for modeling the statistical problem .In this study we used genetic algorithm (GA) and sequential feature selection (SFS) for selecting suitable features in order to estimate model. The results for the testing data in this area of best model is [RMSE= 0.53 and R² =0.983] that show the high SVR performance.

کلیدواژه‌ها [English]

  • "Coral reef"
  • " Heron reef island"
  • " support vector regression (SVR) "
  • "spectral indexes"
  • "genetic algorithm"
  • " landsat-8"

 [1] امیر مسعود چگونیان "بهبود دقت روش‌های طبقه‌بندی اکوسیستم‌های مرجانی در تصاویر ماهواره‌ای خلیج‌فارس", پایان‌نامه کارشناسی ارشد در رشته مهندسی عمران – نقشه‌برداری گرایش سنجش‌ازدور_دانشگاه خواجه نصیر طوسی (1393)

[2] Sanghvi, D., et al., Inventory and Monitoring of Coral Reefs of United Arab Emirates (UAE), Arabian Gulf, Using Remote Sensing Techniques Lauer, Matthew, and Shankar Aswani. "Integrating indigenous ecological knowledge and multi-spectral image classification for marine habitat mapping in Oceania." Ocean & Coastal Management 51.6 (2008): 495-504., in Climate Change and Island and Coastal Vulnerability. 2013, Springer. p. 114-125

[3] Smith, V. Elliott, Robert H. Rogers, and Larry E. Reed. "Automated mapping and inventory of Great Barrier Reef zonation with LANDSAT data." OCEAN 75 Conference. IEEE, 1975.

[4]  Peddle, Derek R., Ellsworth F. LeDrew, and Heather M. Holden. "Spectral mixture analysis of coral reef abundance from satellite imagery and in situ ocean spectra, Savusavu Bay, Fiji." Proceedings of the Third Thematic Conference on Remote Sensing for Marine and Coastal Environments. Vol. 2. 1995.

[5]  Hochberg, Eric J., and M. J. Atkinson. "Spectral discrimination of coral reef benthic communities." Coral reefs 19.2 (2000): 164-171.

[6]  Andréfouët, Serge, et al. "Multi-site evaluation of IKONOS data for classification of tropical coral reef environments." Remote sensing of environment 88.1 (2003): 128-143.

[7]  G . Camps-Valls and L. Bruzzone, "Kernel-based methods for hyperspectral image classification," IEEE Transactions on Geoscience and Remote Sensing, vol. 43, pp. 1351-1362, 2005.

[8] Roberts, J. Murray. Cold-water corals: the biology and geology of deep-sea coral habitats. Cambridge University Press, 2009.

[9] Knudby, Anders, et al. "Mapping coral reef resilience indicators using field and remotely sensed data." Remote Sensing 5.3 (2013): 1311-1334.

[10] Liu, Gang, et al. "Reef-Scale Thermal Stress Monitoring of Coral Ecosystems: New 5-km Global Products from NOAA Coral Reef Watch." Remote Sensing 6.11 (2014): 11579-11606.

[11] Zahir, N., and H. Mahdi. "Snow Depth Estimation Using Time Series Passive Microwave Imagery via Genetically Support Vector Regression (case Study Urmia Lake Basin)." The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences 40.1 (2015): 555.

[12] Feyisa, Gudina L., et al. "Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery." Remote Sensing of Environment 140 (2014): 23-35.

[13] Hu, Chuanmin. "A novel ocean color index to detect floating algae in the global oceans." Remote Sensing of Environment 113.10 (2009): 2118-2129.

[14]  Motohka, Takeshi, et al. "Applicability of green-red vegetation index for remote sensing of vegetation phenology." Remote Sensing 2.10 (2010): 2369-2387

[15] Campos, João C., Neftalí Sillero, and José C. Brito. "Normalized difference water indexes have dissimilar performances in detecting seasonal and permanent water in the Sahara–Sahel transition zone." Journal of Hydrology 464 (2012): 438-446.

[16] Rokni, K., et al. "Water Feature Extraction and Change Detection Using Multitemporal Landsat Imagery. Remote Sensing, 6, 4173-4189." (2014).

[17] Kogan, F. N. "Application of vegetation index and brightness temperature for drought detection." Advances in Space Research 15.11 (1995): 91-100.

[18]  E. T. Harvey, S. Kratzer, and P. Philipson, “Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophyll-a in coastal waters,” Remote Sensing of Environment, vol. 158, pp. 417–430, Mar. 2015.

[19]  نسرین مرادی " بررسی و مدل‌سازی رنگ اقیانوس با استفاده از تصاویر ماهواره‌ای با توان تفکیک مکانی بالا " پایان‌نامه کارشناسی ارشد در رشته مهندسی عمران – نقشه‌برداری گرایش هیدرو گرافی_دانشگاه تهران(1395)

[20] Üstün, B., et al. "Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization." Analytica Chimica Acta 544.1 (2005): 292-305.

[21] Nikraftara, Z., M. Hasanloua, and M. Esmaeilzadeha. "Novel Snow Depth Retrieval Method Using Time Series Ssmi Passive Microwave Imagery." ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (2016): 525-530.

 [22]  Zahir, N., and H. Mahdi. "Snow Depth Estimation Using Time Series Passive Microwave Imagery via Genetically Support Vector Regression (case Study Urmia Lake Basin)." The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences 40.1 (2015): 555.

[23] Aha, David W., and Richard L. Bankert. "A comparative evaluation of sequential feature selection algorithms." Learning from Data. Springer New York, 1996. 199-206.

[24]  Jain, Anil, and Douglas Zongker. "Feature selection: Evaluation, application, and small sample performance." IEEE transactions on pattern analysis and machine intelligence 19.2 (1997): 153-158.

[25]  Authority, Great Barrier Reef Marine Park. "Great barrier reef outlook report 2014." (2014).

[26]  https://www.coris.noaa.gov/

 [27]  Bao, Yukun, and Zhitao Liu. "A fast grid search method in support vector regression forecasting time series." International Conference on Intelligent Data Engineering and Automated Learning. Springer Berlin Heidelberg, 2006.

 

lliard, “Selection of a Clutter Rejection Algorithm for Real Time Target Detection from an Airborne Platform”, International Society for Optics and Photonics, Vol.4048, pp.74-84, 2000.