مقایسه عملکرد روش خوشه بندی k-means با شاخصهای طیفی در بارزسازی کاربری و پوشش اراضی به کمک سنجش از دور با پایتون (مورد مطالعاتی: تصاویر چند طیفی ماهواره لندست 8 )
کلمات کلیدی:
خوشه بندی, سنجش از دور, برنامه نویسی, پایتونچکیده
با وجود پیشرفت روزافزون فناوری و همه گیر شدن برنامهنویسی در شاخههای مختلف علوم پایه، الزام استفاده و یادگیری برنامهنویسی در شاخههای مختلف علوم زمین امری غیر قابل انکار است. یکی از موارد مورد توجه دنیای فناوری امروز، مبحث هوش مصنوعی و استفاده از یادگیری ماشین در انجام بدون نظارت کارهای روزمره است و با وجود توسعه بستههای مختلف در بستر زبان برنامهنویسی پایتون انجام کارهای سنجش از دور برای متخصصان این حوزه راحتتر از پیش شده است. در این مقاله تلاش بر آن شده است که با استفاده از الگوریتم خوشهبندی k-means و به کمک تصاویر مولتی اسپکترال لندست 8 نمونهای از توانایی زبان برنامهنویسی پایتون را در انجام فرایندهای خوشهبندی نمایش دهیم.
مراجع
1. Samuel, Arthur L. "Machine learning." The Technology Review 62, no. 1 (1959): 42-45
2. Dike, H. U., Zhou, Y., Deveerasetty, K. K., & Wu, Q. (2018, October). Unsupervised learning based on artificial neural network: A review. In 2018 IEEE International Conference on Cyborg and Bionic Systems (CBS) (pp. 322-327). IEEE.
3. Nasteski, V. (2017). An overview of the supervised machine learning methods. Horizons. b, 4, 51-62.
4. Saxena, A., Prasad, M., Gupta, A., Bharill, N., Patel, O. P., Tiwari, A., & Lin, C. T. (2017). A review of clustering techniques and developments. Neurocomputing, 267, 664-681.
5. Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: a review. ACM computing surveys (CSUR), 31(3), 264-323.
6. Madhulatha, T. S. (2012). An overview on clustering methods. arXiv preprint arXiv:1205.1117.
7. Fleiss, J. L., & Zubin, J. (1969). On the methods and theory of clustering. Multivariate Behavioral Research, 4(2), 235-250.
8. Hartigan, J. A. (1985). Statistical theory in clustering. Journal of classification, 2, 63-76.
9. Ali I, Rehman AU, Khan DM, Khan Z, Shafiq M, Choi J-G. Model Selection Using K-Means Clustering Algorithm for the Symmetrical Segmentation of Remote Sensing Datasets. Symmetry. 2022; 14(6):1149.
10. Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm. Journal of the royal statistical society. series c (applied statistics), 28(1), 100-108.
11. Tou, J. T., & Gonzalez, R. C. (1974). Pattern recognition principles.
12. Nainggolan, R., Perangin-angin, R., Simarmata, E., & Tarigan, A. F. (2019, November). Improved the performance of the K-means cluster using the sum of squared error (SSE) optimized by using the Elbow method. In Journal of Physics: Conference Series (Vol. 1361, No. 1, p. 012015). IOP Publishing.
13. Thinsungnoena, T., Kaoungkub, N., Durongdumronchaib, P., Kerdprasopb, K., & Kerdprasopb, N. (2015). The clustering validity with silhouette and sum of squared errors. learning, 3(7).
14. Kwedlo, W. (2011). A clustering method combining differential evolution with the K-means algorithm. Pattern Recognition Letters, 32(12), 1613-1621.
15. Gan, G., Ma, C., & Wu, J. (2020). Data clustering: theory, algorithms, and applications. Society for Industrial and Applied Mathematics.
16. Acharya, T. D., & Yang, I. (2015). Exploring landsat 8. International Journal of IT, Engineering and Applied Sciences Research (IJIEASR), 4(4), 4-10.
17. Roy, D. P., Wulder, M. A., Loveland, T. R., Woodcock, C. E., Allen, R. G., Anderson, M. C., ... & Zhu, Z. (2014). Landsat-8: Science and product vision for terrestrial global change research. Remote sensing of Environment, 145, 154-172.
18. Petrelli, M. (2021). Introduction to Python in Earth Science Data Analysis: From Descriptive Statistics to Machine Learning. Springer Nature.
19. Huang, T. S., Schreiber, W. F., & Tretiak, O. J. (1971). Image processing. Proceedings of the IEEE, 59(11), 1586-1609.
20. Pandey, R., Naik, S., & Marfatia, R. (2013). Image processing and machine learning for automated fruit grading system: A technical review. International Journal of Computer Applications, 81(16), 29-39.
21. Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in science & engineering, 9(03), 90-95.
22. Harris, C.R., Millman, K.J., van der Walt, S.J. et al. Array programming with NumPy. Nature 585, 357–362 (2020).
23. Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.
24. Van der Walt, S., Schönberger, J. L., Nunez-Iglesias, J., Boulogne, F., Warner, J. D., Yager, N., ... & Yu, T. (2014). scikit-image: image processing in Python. PeerJ, 2, e453.
25. Javed, A., Cheng, Q., Peng, H., Altan, O., Li, Y., Ara, I., ... & Saleem, N. (2021). Review of Spectral Indices for Urban Remote Sensing. Photogrammetric Engineering & Remote Sensing, 87(7), 513-524.
26. Mróz, M.; Sobieraj, A. Comparison of several vegetation indices calculated on the basis of a seasonal SPOT XS time series and their suitability for land cover and agricultural crop identification. Tech. Sci. 2004, 7, 39–66.
27. Karnieli, A.; Qin, Z.; Wu, B.; Panov, N.; Yan, F. Spatio-Temporal Dynamics of Land-Use and Land-Cover in the Mu Us Sandy Land, China, Using the Change Vector Analysis Technique. Remote Sens. 2014, 6, 9316–9339.
28. Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 27(14), 3025-3033.
29. Gidden, M. J., & Huppmann, D. (2019). pyam: a Python Package for the Analysis and Visualization of Models of the Interaction of Climate, Human, and Environmental Systems. Journal of Open Source Software, 4(33), 1095.
