مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست ۸ (مطالعه موردی: حوضه صوفی چای)
Publish place: Geography and Planning، Vol: 19، Issue: 52
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 182
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GEOP-19-52_008
تاریخ نمایه سازی: 23 آبان 1400
Abstract:
تهیه نقشه کاربری و پوشش اراضی برای برنامهریزی و مدیریت منابع طبیعی امری ضروری میباشد. در این بین استفاده از دادههای سنجش از دور با توجه به ارائه اطلاعات به روز، پوشش تکراری، کمهزینه بودن در ارزیابی منابع طبیعی جایگاه خاصی دارد. لذا در این پژوهش، تصاویر لندست ۸ بهعنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح ۲و۱ مورد استفاده قرار گرفت. در این بین، با توجه به جدید بودن این تصاویر، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل از نرمفزار Erdas فرمولنویسی شد. همچنین از شاخصهای گیاهی NDVI، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفههای اصلی (PCA) بهعنوان ورودی در کنار دیگر باندها برای افزایش دقت طبقهبندی مورد استفاده قرار گرفت. از طرفی توابع کرنلها و رتبههای چندجملهای روش ماشین بردار پشتیبان (SVM) مورد ارزیابی قرار گرفت و بهترین نتیجه این روش با روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش ماشین بردار پشتیبان ۹۲٪ با ضریب کاپا ۹۱/۰ و روش شبکه عصبی ۸۹٪ با ضریب کاپا ۸۷/۰ میباشد همچنین جایی که کلاسها رفتار طیفی مشابهی را از خود نشان میدهند روش SVM کارایی بهتری از خود نشان میدهد.
Keywords:
Authors
محمدحسین رضایی مقدم
گروه ژئومورفولوژی دانشگاه تبریز
خلیل ولی‍زاده کامران
گروه سنجش از دور و GIS دانشگاه تبریز
صغری اندریانی
سنجش از دور و GIS
فرهاد الماس پور
سنجش از دور و GIS شرکت آب منطقه ای آذربایجانشرقی
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 :