Hướng tiếp cận kết hợp giữa hệ suy diễn mờ phức không gian với mô hình CNN trong dự báo biến đổi trên ảnh vệ tinh
Abstract
Ảnh vệ tinh được chụp khi quan sát trái đất có thể cung cung cấp rất nhiều thông tin quan trọng về thời tiết dự báo, hàng không, quản lý tài nguyên thiên nhiên và ứng phó thiên tai. Nghiên cứu này trình bày một phương pháp mới áp dụng cho bài toán phát hiện thay đổi trong ảnh vệ tinh, sử dụng kết họp mạng thần kinh tích chập (CNN) với hệ suy diễn mờ phức không gian (Spatial CFIS). Trong đó, mô hình CNN được sử dụng trong cả quá trình trích chọn thuộc tính theo từng kênh màu để tiến hành quá trình mờ hóa, quá trình giải mờ. Còn mô hình hệ suy diễn mờ phức không gian có nhiệm vụ mô hình hóa các mối quan hệ không gian và thời gian trong dữ liệu để sinh bộ luật. Thực nghiệm được tiến hành trên Bộ dữ liệu ảnh vệ tinh của Hải quân Hoa Kỳ cũng đã chứng minh tính hiệu quả, ổn định của mô hình đề xuất của chúng tôi so với các phương pháp nghiên cứu liên quan trên cả hai độ đo đánh giá trung bình của các sai số bình phương (RMSE) và độ đo tương quan R bình phương (R2).
References
M. Mirbod, B. Rezaei, and M. Najafi, “Spatial change recognition model using artificial intelligence to remote
sensing,” Procedia Computer Science, vol. 217, pp. 62–71, 2023.
G. Cheng, Y. Huang, X. Li, S. Lyu, Z. Xu, H. Zhao, Q. Zhao, and S. Xiang, “Change detection methods for
remote sensing in the last decade: A comprehensive review,” Remote Sensing, vol. 16, no. 13, p. 2355, 2024.
B. Cardone, F. Di Martino, and V. Miraglia, “A novel fuzzybased remote sensing image segmentation method,” Sensors, vol. 23, no. 24, p. 9641, 2023.
R. Li and L. Pang, “Remote-sensing image data fusion processing technology based on multi-level fuzzy judgment,” Journal of Intelligent & Fuzzy Systems, vol. 44, no. 5, pp. 7243–7255, 2023.
E. J. Parelius, “A review of deep-learning methods for change detection in multispectral remote sensing images,” Remote Sensing, vol. 15, no. 8, p. 2092, 2023.
L. Zhang and L. Zhang, “Artificial intelligence for remote sensing data analysis: A review of challenges and opportunities,” IEEE Geoscience and Remote Sensing Magazine, vol. 10, no. 2, pp. 270–294, 2022.
T. T. Nhi, P. V. Quân, and P. C. Đạt, “Ứng dụng kỹ thuật bộ mã tự động tích chập (convolutional autoencoder) trong khử nhiễu hình ảnh,” Tạp chí Khoa học Đại học Đông Á, vol. 1, no. 1, pp. 75–80, 2022.
G. Selvachandran, S. G. Quek, L. T. H. Lan, N. L. Giang, W. Ding, M. Abdel-Basset, V. H. C. De Albuquerque et al.,
“A new design of mamdani complex fuzzy inference system for multiattribute decision making problems,” IEEE Transactions on Fuzzy Systems, vol. 29, no. 4, pp. 716–730, 2019.
L. T. H. Lan, T. M. Tuan, T. T. Ngan, N. L. Giang, V. T. N. Ngoc, P. Van Hai et al., “A new complex fuzzy inference
system with fuzzy knowledge graph and extensions in decision making,” Ieee Access, vol. 8, pp. 164 899–164 921,
T. M. Tuan, L. T. H. Lan, S.-Y. Chou, T. T. Ngan, L. H. Son, N. L. Giang, and M. Ali, “M-cfis-r: Mamdani complex
fuzzy inference system with rule reduction using complex fuzzy measures in granular computing,” Mathematics, vol. 8, no. 5, p. 707, 2020.
G. L.T., T. T.M., S. L.H., and T. P.B.T., “Dự đoán ảnh mây vệ tinh với mô hình suy diễn mờ phức không gian – thời gian,” in 2020 Hội thảo Quốc gia lần thứ XXIII Một số vấn đề chọn lọc của Công nghệ thông tin và Truyền thông, 2020, pp. 1–8.
N. L. Giang, N. Van Luong, L. T. H. Lan, T. M. Tuan, N. T. Thang et al., “Adaptive spatial complex fuzzy inference systems with complex fuzzy measures,” IEEE Access, vol. 11, pp. 39 333–39 350, 2023.
L. T. Giang, L. H. Son, N. L. Giang, T. M. Tuan, N. V. Luong, M. D. Sinh, G. Selvachandran, and V. C. Gerogiannis,
“A new co-learning method in spatial complex fuzzy inference systems for change detection from satellite
images,” Neural Computing and Applications, vol. 35, no. 6, pp. 4519–4548, 2023.
T. T. Nhi, P. V. Quân, and P. C. Đạt, “Ứng dụng kỹ thuật bộ mã tự động tích chập (convolutional autoencoder) trong khử nhiễu hình ảnh,” Tạp chí Khoa học Đại học Đông Á, vol. 1, no. 1, pp. 75–80, 2022.
Z. Shen, Y. Zhang, J. Lu, J. Xu, and G. Xiao, “Seriesnet: a generative time series forecasting model,” in 2018 international joint conference on neural networks (IJCNN). IEEE, 2018, pp. 1–8.
L. H. Son and P. H. Thong, “Some novel hybrid forecast methods based on picture fuzzy clustering for weather nowcasting from satellite image sequences,” Applied Intelligence, vol. 46, pp. 1–15, 2017.
B. Du, L. Ru, C. Wu, and L. Zhang, “Unsupervised deep slow feature analysis for change detection in multi-temporal remote sensing images,” IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 12, pp. 9976–9992, 2019.
