مدل‌سازی وضعیت صخره های مرجانی با استفاده از رگرسیون ماشین بردار پشتیبان و اعمال شاخص‌های طیفی

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 تاثیرات 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 لندست8 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(gasvr) به 0.53rmse= و0.983 =r2 رسیدیم که بیانگر عملکرد خوب این مدل بهینه میباشد.

Coral Reef modeling using Support Vector Regression and applying spectral indices

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 landsat8. 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.