طبقه بندی پوشش زمین کاربری زمین توسط طبقه بندی کننده های یادگیری ماشین برای مشاهدات ماهواره ای - مقاله مروری
Publish place: The 11th National Conference on Civil Engineering, Architecture and Sustainable Urban Development of Iran
Publish Year: 1403
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 24
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICESCONF11_223
تاریخ نمایه سازی: 13 تیر 1403
Abstract:
این مقاله یک مقاله مروری است ، که در آن شش الگوریتم یادگیری ماشینی ، یعنی جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، نقشه برداری پیش بینی شده با نظارت تئوری تشدید تطبیقی فازی ARTMAP) فازی )، نگاشت زاویه طیفی (SAM) و فاصله ماهالانوبیس (MD) مورد بررسی قرار گرفت . در مطالعه ای توسط تالوکادر۱ و همکاران (۲۰۲۰) ارزیابی دقت این روشها با استفاده از ضریب کاپا، منحنی عملیاتی گیرنده (RoC)، اعتبار سنجی مبتنی بر شاخص و ریشه میانگین مربعات خطا (RMSE) انجام شد. نتایج ضریب کاپا نشان داد که تمامی طبقه بندی کنندهها دارای سطح دقت یکسان با تغییرات جزئی هستند، اما الگوریتم RF دارای بیشترین دقت ۸۹,۰ و الگوریتم MD (طبقه بند پارامتریک ) کمترین دقت ۸۲,۰ است . علاوه بر این ، LULC مبتنی بر شاخص و اعتبار متقابل بصری نشان داد که الگوریتم RF (همبستگی بین RF و شاخص آب تمایز نرمال شده، شاخص تمایز نرمال شده گیاهی و شاخص تمایز نرمال شده به ترتیب ۹۶,۰، ۹۹,۰ و ۱، در ۰۵,۰ است . سطح معنی داری ) بالاترین سطح دقت را در مقایسه با سایر طبقه بندی کننده های اتخاذ شده دارد. یافته های ادبیات همچنین ثابت کرد که الگوریتم های ANN و RF بهترین طبقه بندی کنندههای LULC هستند، اگرچه طبقه بندی کننده غیرپارامتری مانند SAM (ضریب کاپا ۸۴,۰؛ سطح زیر منحنی ۸۵,۰ ((AUC) سطح دقت بهتر و ثابتی نسبت به ماشین های دیگر دارد. نتایج بررسی تالوکادر و همکاران نشان داد که الگوریتم RF بهترین طبقه بندی کننده LULC یادگیری ماشینی ، در میان شش الگوریتم مورد بررسی است .
Keywords:
Authors
روح اله جعفری سیریزی
کارشناس ارشد سنجش از دور دانشگاه شهید بهشتی
محبوبه بهادری
کارشناس شهرسازی شهرداری شیراز