Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Lập bản đồ độ sâu của Hồ Hạ Bhopal Sử Dụng Hình Ảnh IRS-P6: LISS-4 và Kỹ Thuật Mạng Nơ-ron Nhân Tạo
Tóm tắt
Nghiên cứu độ sâu dưới nước là việc đo lường độ nông của hồ hoặc đáy đại dương. Việc thực hiện khảo sát độ sâu là một quá trình tốn kém, mất nhiều thời gian và nguồn lực, vì nó liên quan đến việc đo độ sâu tại nhiều điểm trong một khu vực lớn; quá trình này có thể được giảm thiểu bằng cách sử dụng các kỹ thuật cảm biến từ xa. Độ sâu có thể được xác định từ hình ảnh vệ tinh bằng cách thiết lập mối tương quan giữa độ sâu hồ và độ phản xạ phổ của hình ảnh. Kỹ thuật Mạng Nơ-ron Nhân Tạo (ANN) được sử dụng trong bối cảnh này có ưu điểm là khả năng ước lượng độ sâu mà không cần tinh chỉnh độ sâu do sự tán xạ từ các yếu tố môi trường (ví dụ: vật liệu đáy và thảm thực vật). Trong nghiên cứu này, các điều tra đã được thực hiện về việc sử dụng các mô hình thực nghiệm để xác định độ sâu và cũng về tính phù hợp của các dải phổ. Phân tích hồi quy bình phương tối thiểu không cho kết quả mong muốn. Mô hình hồi tiếp Cascade Forward (CF) dựa trên ANN đã được thử nghiệm cho cả dải đơn và dải đa. Kết quả cho thấy việc sử dụng đa dải (2&3) đã mang lại kết quả tốt hơn so với phân tích hồi quy cổ điển. Việc xác thực được thực hiện thông qua các bài kiểm tra thống kê tiêu chuẩn khác nhau như kiểm định Chi-bình phương, kiểm định t và lỗi phần trăm tuyệt đối trung bình. Đồ thị hồi quy tuyến tính giữa độ sâu đo được và độ sâu thực tế cũng đã được vẽ.
Từ khóa
#cảm biến từ xa #mạng nơ-ron nhân tạo #phân tích hồi quy #thống kê #hồ BhopalTài liệu tham khảo
Atkinson, P. M., & Tatnall, A. R. L. (1997). Neural networks in remote sensing. International Journal of Remote Sensing, 18(4), 699–709.
Benny, A. H., & Dawson, G. J. (1983). Satellite imagery as an aid to bathymetric charting in the Red Sea. The Cartographic Journal, 20(1), 5–16.
Campbell, J. B. (1996). Introduction to remote sensing (2nd ed.). New York: The Guilford Press.
Chavez, P. S., Jr. (1996). Image-based atmospheric correction-revisited and improved. Photogrammetric Engineering and Remote Sensing, 62, 1025–1036.
Chayjan, R. A. (2010). Modeling of sesame seed dehydration energy requirements by a soft- computing. Australian Journal of Crop Science, 4(3), 180–184.
Civco, D. L. (1993). Artificial neural network for LandCover classification and mapping. International Journal of Geographical Information System, 7(2), 173–186.
Deidda, M., & Sanna, G. (2012). Preprocessing of high resolution satellite image for Sea bottom classification. Italian Journal of Remote Sensing, 44(1), 88–95. doi:10.5721/ItJRS20124417.
Demuth, H., Beale, M., & Hagan, M. (2009). Neural network toolbox User’s guide. Natrick: The MathWorks, Inc.
Fonstad, M. A., & Marcus, W. A. (2005). Remote sensing of stream depths with hydraulically assisted bathymetry (HAB) models. Geomorphology, 72, 320–339.
Freeman, J.A., & Skapura, D.M. (1991) Neural networks algorithm application and programming techniques. Addison-Wesley publishing company Inc., ISBN-0-201-51376-5.
Goyal, S., & Goyal, G. K. (2011). Cascade and feedforward backpropagation artificial neural network models for prediction of sensory quality of instant coffee flavoured sterilized drink. Canadian Journal on Artificial Intelligence, Machine Learning and Pattern Recognition, 2(6), 78–82.
Hagan, M. T., Demuth, H. B., & Beale, M. H. (1996). Neural network design. Boston: PWS Publishing.
Hedley, J. D., Harborne, A. R., & Mumby, P. J. (2005). Simple and robust removal of sun glint for mapping shallow water benthos. International Journal of Remote Sensing, 10, 2107–2112. doi:10.1080/0143116050003408.
Hochberg, E. J., Andéfouët, S., & Tyler, M. R. (2003). Sea surface correction of high spatial resolution Ikonos images to improve bottom mapping in near-shore environments. IEEE Transactions on Geoscience and Remote Sensing, 41, 1724–1729. doi:10.1109/TGRS.2003.815408.
Ibrahim, M., Seeni, M., Samsudin., A & Mohamad, Y. (1990) Bathymetry in clear waters from Landsat-5 Satellite Data. Proceeding of ACRS 1992, GIS development, 1–4.
Jain, A.K. (1989) Fundamental of digital image processing. New Jersey:Prentice Hall
Jain, A.K., Moa, J., & Mohiuddin, K.M. (1996) Artificial neural networks. Theme Feature, 31–44.
Jupp, D. L. B., Mayo, K. K., Kuchler, D. A., Dan van Classen, R., Kenchington, R. A., & Guerin, P. R. (1985). Remote sensing for planning and managing the Great Barrier Reef Australia. Photogrammetrica, 40, 21–42.
Katiyar, S. K., & Rampal, K. K. (1991). Bathymetric mapping over coastal Andhra Pradesh using Landsat MSS data. Journal of the Indian Society of Remote Sensing, 19, 3.
Kumar, V. K., Palit, A., & Bhan, S. K. (1997). Bathymetric mapping in Rupnarayan–Hooghly river confluence using IRS data. International Journal of Remote Sensing, 18, 2269–2270.
Lek, S., Delacoste, M., Baran, P., Dimopalos, I., Lauga, J., & Aulonier, S. (1996). Application of neural networks to modelling Non-linear relationship in ecology. Ecological Modelling, 90, 39–52.
Leu, L., & Change, H. (2005). Remote Sensing in detecting the water depths and bed load of shallow waters and their changes. Ocean Engineering, 32, 1174–1198.
Louchard, E. M., Reid, R. P., Stephens, F. C., Davis, C. D., Leathers, R. A., & Downes, T. V. (2003). Optical remote sensing of benthic habitants and bathymetry in coastal environments at lee stocking Island, Bahamas: a comparative spectral classification approach. Limnology and Oceanography, 48(1,2), 511–52.
Lyon, J. G., Lunetta, R. S., & William, D. C. (1992). Airborne multispectral scanner data for evaluating bottom sediment types and water depths of Mary’s river Michigan. Photogrammetric Engineering & Remote Sensing, 58(7), 951–956.
Lyzenga, D. R. (1978). Passive remote sensing techniques for mapping water depth and bottom features. Applied Optics, 17(3), 379–383.
Lyzenga, D. R. (1981). Remote sensing of bottom reflectance and water attenuation parameters in shallow waters using aircraft and Landsat data. International Journal of Remote Sensing, 22, 71–82.
Lyzenga, D. R. (1985). Shallow-water bathymetry using combined Lidar and passive multispectral scanner data. International Journal of Remote Sensing, 66, 115–125.
Lyzenga, D. R., Malinas, N. P., & Tanis, F. J. (2006). Multispectral bathymetry using a simple physically based algorithm. IEEE Transaction Geo science and Remote Sensing, 4(8), 2251–2259.
Mark, H.B., Martin, T.H., & Howard, B.D. (2015) Neural Network Toolbox- User Guide MatLab, https://www.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf.
Martin, K.S. (1993) Application in coastal zone. Research and management, united nation institute for training and research Geneva, 3.
Mas, J. F. (2004). Mapping LandUse/ land cover in a tropical coastal area using satellite sensor data. GIS and artificial neural networks. Estuarine. Coastal and Shelf Science, 59, 219–230.
Mathworks (2012) How to Evaluate Goodness of fit, http://www.mathworks.in/help/toolbox/curvefit/bq_6zzm.html, May 23.
Ozcelik, C., & Arisoy, Y. (2010) Remote sensing of water depths in shallow waters via artificial neural networks, Estuarine, Coastal and shelf science, (pp. 89–96) Elsevier.
Pandya, M.R., Singh, R.P., Murali, K.R., Babu, P.N.,Kirankumar, A.S., & Dadhwal, V.K. (2002) Bandpass solar exoatmospheric irradiance and Rayleigh optical thickness of sensor onboard IRS-1 B, IC, 1D and P4. IEEE Transacttons on Geoscience and Remote Sensing, 40,714–718.
Polcyn, F.C., & Lyzenga, D.R. (1979) Landsat bathymetric mapping by multispectral processing. Proceedings of Thirteenth International Symposium on Remote Sensing of Environment (Ann Arbor, ISPRS), (pp. 1269–1276).
Senthil, A.K. (2004) Computation of at-sensor Solar Exo-atmospheric Irradiance and Rayleigh Optical Thickness for IRS-1C, -1D, -P4 and -P6 Sensors. http://www.euromap.de/pdf/IRS_exoatm.pdf
Shahanaz, A., & Saini, J. P. (2011). ECG classification and abnormality detected using cascade forward neural network. International Journal of Engineering Science & Technology, 3(3), 41–46.
Sobrino, J. A., Jiménez-Muñoz, J. C., & Paolini, L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Journal Remote Sensing of Environment, 90(4), 434–440.
Tripathi, N. K., & Rao, A. M. (2002). Bathymetric mapping in Kakinada Bay, India, using IRS-1D LISS-III data. International Journal Remote Sensing, Tailor and Francis, 23(6), 1013–10.
Uma, K., & Potdar, R.M. (2011) Matlab Based Artificial Neural Network Model For Prediction Of Melt Down Temperature In Steel Making Matlab Based Artificial Neural Network Model For Prediction Of Melt Down Temperature in Steel Making. I.J.E.M.S., 2(4):229–232.
Van der Meer, F. (1996) Spectral mixture modeling and spectral stratigraphy in carbonate lithofacies mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 51, 150–162.