الگوریتم ماشین بردار پشتیبان مبتنی بر قوانین آنتولوژی جهت تفسیر تصاویر رقومی التراکم

طبقه بندی اطلاعات مربوط به پوشش زمین با استفاده از تصاویر حد تفکیک بالای مکانی به دلیل پیچیدگی مناظر، موضوع چالش برانگیزی است. مطالعات اولیه طبقه بندی پوشش زمین با استفاده از روش های آماری مانند طبقه بندی حداکثر احتمال صورت می گرفت. بااین حال، مطالعات جدیدتر از تکنیک های هوش مصنوعی مانند شبکه های عصبی مصنوعی و... به عنوان جایگزین برای کاربردهای طبقه بندی استفاده کرده اند. یک مشکل عمده در استفاده از این مدل ها اینست که کاربر نمی تواند به راحتی قواعد نهایی را درک کند. این تحقیق یک چارچوب جدید برای طبقه بندی تصاویر سنجش ازدور با استفاده از ترکیبی از قوانین هستی شناختی و تجزیه و تحلیل تصویر مبتنی بر شی ارائه می کند. این مقاله تا حدی تلاش می کند تا چند شکاف در این زمینه را تسهیل کند، به ویژه با استفاده از تجزیه و تحلیل تلفیقی و فرآیند کنترل که به منظور اصلاح روند آموزش و پایش داده های آموزشی صورت می پذیرد. درعین حال از ویژگی های ترکیبی و داده های آموزشی بر اساس ویژگی های هستی شناسی کلاس های هدف نیز استفاده شد. ساختار کلی روش پیشنهادی، ادغام روش های مبتنی بر دانش و SVM است. روش مبتنی بر دانش برای مدل سازی روابط آنتولوژی با هدف آموزش و کنترل پروسه تصمیم گیری SVM  اجرا می شود. درنهایت به منظور ارزیابی روش، مجموعه ای از تصاویر تست از دو منطقه جغرافیایی مختلف و در هر منطقه چند تصویر تست شامل عوارض با ساختارهای مختلف، برای اعتبارسنجی استفاده شد. درنهایت، روش پیشنهادی با دقت کلی 80/82 درصد به صورت میانگین در تمام تصاویر تست دقت مناسبی از خود نشان داد.