افزایش صحت استخراج اطلاعات از داده‌های سنجنده Oli با استفاده از روش Fft-Ihs

هدف از تحقیق حاضر، به‌کارگیری روش fft_ihs به‌منظور افزایش صحت استخراج اطلاعات از داده‌های سنجنده oli، ماهواره لندست 8 است. برای این منظور پنجره‌ای از تصاویر سنجنده oli، شهرستان اردبیل انتخاب و بعد از اعمال پیش‌پردازش‌های موردنیاز از جمله تصحیح اتمسفریک، باندهای چند طیفی و پانکروماتیک با استفاده از روش fft_ihs، با یکدیگر ادغام گردیدند. به‌منظور ارزیابی قابلیت روش fft_ihs در افزایش صحت استخراج اطلاعات، اقدام به برداشت نمونه‌های آموزشی از تصاویر قیل و بعد از اعمال این روش گردید. همبستگی بین نمونه‌های آموزشی با استفاده از شاخص جفریس ماتوسیتا مورد ارزیابی قرار گرفت که نتایج این شاخص نشانگر همبستگی پایین بین نمونه های برداشت شده بود. در ادامه نمونه‌های آموزشی با استفاده از الگوریتم ماشین بردار پشتیبان شعاعی در 8 کلاس کاربری طبقه‌بندی شد. نتایج تحقیق نشان داد که طبقه‌بندی تصویر قبل از ادغام باندها دارای صحت کلی 88.3 درصد و ضریب کاپا 0.87 بوده و بعد از ادغام به روش fft_ihs صحت کلی به 96.3 درصد و ضریب کاپا 0.96 افزایش‌یافته است.

Increasing the accuracy of data extraction from OLI data using the FFT-IHS method

The aim of this study is to use of the FFT_IHS method to increase the accuracy of data extraction from OLI of Landsat 8 data. For this purpose, a window of OLI images of Ardabil County was selected and, after applying the necessary preprocesses include atmospheric correction, the multispectral and panchromatic bands were fused with the FFT_IHS method. In order to evaluate the capability of FFT_IHS method to increase the accuracy of information extraction, the training data were taken from the before and after applying this method. Correlation of training data’s was evaluated using the Jeffries Matusita index and the training data’s were classified into 8classes using Support Vector Machine algorithm. The results showed that image classification before the fusion of bands has a overall accuracy of 88.3% and a kappa coefficient of 0.87 and after fusion with FFT_IHS, the overall accuracy is increased to 96.3% and the Kappa coefficient is to 0.96.