دانلود ترجمه مقاله رویکرد داده کاوی در شناسایی تصاویر باتی متری

1. مقدمه 1.1. داده کاوی 1.2. طبقه ‏بندی 1.3. درخت تصمیم 1.4. ارزیابی طبقه ‏بندی 1.5. استخراج داده ‏های تصویری 2. روش پیشنهادی 2.1. فرمت تصاویر مورد انتظار 2.2. استخراج ثبت‏ ها 2.3. استخراج ویژگی 2.4. نتایج و تجسم نقشه 3. ارزیابی روش 4. بحث و بررسی 5. نتیجه‏ گیری

چکیده – باتی‏متری یا عمق ‏سنجی به علم اندازه ‏گیری و تهیه نقشه از اعماق برای تعیین توپوگرافی کف دریا و سایر اجسام درون آب گفته می ‏شود. این رشته علمی از نظر آکادمیک و عملی از اهمیت بالایی برخوردار است، به همین دلیل، داشتن ابزارهای محاسبه ‏ای برای تجزیه و تحلیل نقشه‏ های باتی‏متری می‏ تواند به کارشناسانی که مسائل مختلف مربوط به عمق آب را مورد مطالعه قرار می ‏دهند، سودمند باشد. استخراج داده ‏ای تکنیکی است که برای استخراج اطلاعات از پایگاه‏ های داده‏ ای بزرگ مورد استفاده قرار می ‏گیرد اما نمی‏ تواند به‏ طور مستقیم برای تصاویر به ‏کار رود. بنابراین در این تحقیق از روش استخراج داده ‏ای برای تصاویر باتی‏متری استفاده خواهد شد. جهت تحقق این هدف ما از یک روش خاص برای پردازش تصاویر داده‏ ای، استخراج ثبت داده‏ ها و ویژگی های آنها استفاده کردیم، داده‏ های استخراج شده می ‏توانند به‏ وسیله الگوریتم ‏های استخراج داده ‏ای کلاسیک پردازش شوند. علاوه بر موارد فوق از تکنیک ‏هایی نیز برای نمایش نتایج استخراج داده ‏ای و ویژگی‏ های نقشه استفاده گردید. جهت ارزیابی داده ‏ها، ما از روش پیشنهادی خود برای پایگاه داده ‏ای مرجان ‏های آب سرد و پیش‏ بینی مکان‏ هایی که مرجان‏ های مزبورکشف شدند، استفاده کردیم. مقدمه: نقشه‏ های باتی‏متری یا عمق سنجی دارای کاربردهای مهمی مانند اکتشاف و بهره ‏برداری ازمنابع معدنی، برنامه‏ ریزی ناوبری و مطالعه مسیر جریان آب‏ های عمیق و انتقال رسوبات هستند (براون، 2007 ). نقشه‏ های باتی‏متری می‏ توانند کل کره زمین را پوشش دهند، آنها می‏ توانند تغییرات را با جزئیات کامل بین نواحی مجاور و حتی بین نواحی مشابه که دور از یکدیگر هستند، نشان دهند. با در نظر گرفتن این نکات و داشتن ابزارهای محاسباتی، کارشناسان می‏ توانند مسائل مربوط به باتی‏متری را مورد تجزیه و تحلیل قرار دهند. عملیات مورد نیاز برای چنین ابزاری آن است که کارشناسان به‏ صورت دستی نواحی نقشه‏ ای را رده ‏بندی کنند یا اینکه نواحی رده‏ بندی شده را از پایگاه داده‏ ای وارد نمایند. برای هرکدام از رده ‏های موجود به‏ صورت دلخواه و بر طبق مسئله خاص یک آدرس در نظر گرفته می ‏شود. سپس، در مرحله بعد فرض می‏ کنیم که دانش به نواحی خاص و ویژگی‏ های نقشه بر روی نواحی رده ‏بندی شده محدود می ‏شود، ابزار محاسباتی باید با توجه به این ویژگی ‏ها به‏ طور خودکار سایر نواحی را رده‏ بندی نماید، در این فرایند برچسب‏ های رده از قبل مجهول و ناشناخته هستند. در اینجا باید خاطر نشان ساخت که فقط تعداد کمی از نواحی دارای داده‏ های شناخته شده می‏ باشند و ابزار محاسباتی باید سایر برچسب ‏های نواحی را با یک عملکرد قابل قبول پیش‏ بینی کند.

Bathymetry is the science of measuring and charting the depths to determine the topography of the seafloor and other bodies of water. It has several important practical and academic applications. For this reason, having computational tools capable of analyzing bathymetric charts would be useful for domain experts studying the various problems related to water depth. Data mining is a well known technique for extracting information from large datasets, but cannot be directly applied to images. The contribution of this work is an approach for using data mining in bathymetry images. We propose a method for processing input images, in order to extract records and their features, which can be processed by classic data mining algorithms. Additionally, we also propose techniques to visualize both data mining results and map characteristics. For evaluation purposes, the proposed approach was applied to a cold-water corals dataset, in order to predict where corals are likely to be found, under a domain expert supervision. Introduction: Bathymetric maps have several important applications, like exploration and exploitation of mineral resources, navigation planning and study of deep water circulation and sediment transport (Brown et al., 2007). Bathymetry maps can cover the entire extent of the Earth globe, and they can show subtle variations between nearby areas, as well as similar areas which are distant from each other. Considering those points, it would be interesting to have available computational tools which could aid domain experts on the analysis of problems on various fields related to bathymetry. The expected operation for such a tool is that a domain expert can manually label map areas, or alternatively, import labeled areas from a known database. The available labels (classes) are arbitrary, according to the specific problem being addressed. Then, assuming that the knowledge is limited to certain specific areas, the computational tool should, from the map characteristics on labeled areas, autonomously label other areas, where the class label was previously unknown. It might be the case that only a few areas have known data, and the computational tool should still infer the other area's labels with an acceptable performance.

بخشی از ترجمه مقاله (صفحه 13 فایل ورد ترجمه)