ارائه روشی کارآمد برای طبقه بندی بهینه پوشش اراضی شهری با استفاده از ترکیب الگوریتم بهینه سازی ستاره دریایی و شبکه عصبی کانولوشن

با رشد سریع شهرنشینی پایش و طبقه بندی دقیق پوشش اراضی شهری به امری ضروری در مدیریت پایدار شهری تبدیل شده است. اگرچه شبکه های عصبی کانولوشنی (CNN) توانایی بالایی در استخراج ویژگی های پیچیده از داده های سنجش از دور دارند اما عملکرد آنها به شدت وابسته به تنظیم بهینه هایپرپارامترها است. هدف این پژوهش ارائه یک روش ترکیبی نوین برای طبقه بندی بهینه پوشش اراضی شهری با استفاده از الگوریتم بهینه سازی ستاره دریایی (SFOA) و شبکه عصبی کانولوشنی است. در این پژوهش از الگوریتم بهینه سازی ستاره دریایی برای تنظیم خودکار هایپرپارامترهای کلیدی CNN شامل تعداد فیلترها، اندازه فیلترها، اندازه گام، اندازه کرنل، لایه MaxPooling، نرخ Dropout و اندازه Batch استفاده شده است. مجموعه داده Urban Land Cover از UCI شامل ۱۶۸ نمونه با ۱۴۸ ویژگی، طیفی، شکلی و بافتی به عنوان داده های پژوهش مورد استفاده قرار گرفت. عملکرد روش پیشنهادی با معیارهای دقت، صحت، فراخوانی و F۱-Score ارزیابی شد. نتایج آزمایش ها نشان داد که روش ترکیبی SFOA-CNN با دقت کلی ۹۴.۷ کارآمدتر از روش های پایه است. این روش توانست هایپرپارامترهای بهینه را به صورت خودکار شناسایی کند و منجر به بهبود ۱۲.۳ در دقت طبقه بندی نسبت به CNN با هایپرپارامترهای پیش فرض شود، همچنین روش پیشنهادی تعادل بهتری بین اکتشاف و بهره برداری در فضای جستجوی هایپرپارامترها ایجاد کرد. ترکیب الگوریتم بهینه سازی ستاره دریایی با شبکه عصبی کانولوشنی به عنوان یک روش کارآمد و خودکار برای طبقه بندی پوشش اراضی شهری پیشنهاد می شود. این روش نه تنها دقت طبقه بندی را به طور قابل توجهی بهبود می بخشد بلکه وابستگی به تنظیم دستی هایپرپارامترها را کاهش می دهد. کاربردهای عملی این پژوهش در حوزه های برنامه ریزی شهری، مدیریت منابع طبیعی و پایش تغییرات محیطی قابل تصور است.

کلیدواژه ها:

داده کاوی ، یادگیری عمیق ، طبقه بندی ، شبکه عصبی کانولوشن ، تنظیم هایپر پارامتر ، الگوریتم بهینه سازی ستاره دریایی ، پوشش اراضی شهری