قابلیت الگوریتم های نظارت شده در تهیه نقشه پوشش اراضی در مقیاس محلی (مطالعه موردی: استان گیلان
Publish place: Environmental Science and Technology، Vol: 22، Issue: 6
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 178
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESTJ-22-6_021
تاریخ نمایه سازی: 18 مهر 1400
Abstract:
زمینه و اهداف: امکان بررسی پوشش زمین در مقیاس گسترده با استفاده از دادههای سنجش از دور وجود دارد. طبقهبندی پوشش زمین در استان گیلان با استفاده از سنجنده OLI و ۴ کرنل ماشینبردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و حداکثر احتمال (ML) انجام شد. روش بررسی: طبقهبندیها بر اساس نمونههای تعلیمی ۱۰ پوشش مختلف در کل استان صورت گرفت. برای بالابردن دقت نقشهها، تصویر OLI با استفاده از محصولات MODIS با اعمال کد انتقال تابشی وکتوری در طیف خورشید (SV۶) مورد تصحیح اتمسفری قرار گرفته است. تصویر بر مبنای معیار همگنی به ۲۱۹۰۰۰ پلیگون، سگمنتبندی گردید. به روش کاملا تصادفی ۲% از پلیگونهای همگن برای آموزش و آزمون استفاده گردید. با بازدید میدانی، پلیگونها به کلاسها برچسب داده شدند. یافتهها: به کارگیری تصاویر تصحیح شده با کد SV۶ در طبقهبندی سبب ارتقاء صحت کلی الگوریتمهای ANN، SVMو ML به ترتیب به میزان ۱۱/۰%، ۸/۰% و ۹/۱% گردیده است. ارزیابی نتایج بیانگر برتری کرنل شعاعی SVM به ترتیب با صحت کلی و ضریب کاپای آماری ۶/۷۵% و ۷۲/۰ است. در این الگوریتم صحت کلاسهای کشاورزی، مراتع مشجر و آبی به ترتیب ۱۶/۹۳%، ۵۵/۷۲% و ۵۷/۹۶% است. نتایج بیانگر ارتقاء صحت کلی الگوریتم SVM در مقایسه با الگوریتم ML به میزان ۶۷/۱% است. بحث و نتیجهگیری: این تحقیق نشاندهنده برتری روش ناپارامتریکSVM در مقایسه با پارامتریک در تهیه نقشه پوشش اراضی استان گیلان است. اعمال تصحیحات دقیق اثرات اتمسفر بر روی تصاویر در مناطق با مقیاس محلی و بزرگ با توجه به تغییرات شرایط اتمسفر و خصوصیات زمین قابل پیشنهاد است.
Authors
سیداحمدرضا نورالدینی
دکتری دانشکده منابع طبیعی دانشگاه گیلان (مسئول مکاتبات).
امیراسلام بنیاد
استاد دانشکده منابع طبیعی دانشگاه گیلان.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :