مقایسه روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست ۸

نویسندگان

فرنوش اسلمی

دانش آموخته کارشناسی ارشد سنجش از دور و gis، دانشگاه محقق اردبیلی اردوان قربانی

دانشیار دانشکده فناوری کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی بهروز سبحانی

دانشیار دانشکده علوم انسانی، دانشگاه محقق اردبیلی محسن پناهنده

کارشناس ارشد جغرافیا، سازمان فضایی ایران

چکیده

تهیه نقشه کاربری/پوشش اراضی، برای برنامه­ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره­ای و تکنیک­های سنجش از دور،به دلیل فرآهم آوردن داده­های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده­ای در تمامی بخش­ها از جمله بخش­های کشاورزی و منابع طبیعی دارند. در پژوهش حاضر طبقه­بندی­کننده­های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا جهت تهیه نقشهکاربری/پوشش اراضی شهرستان­های اردبیل، نیر و نمین مورد ارزیابی قرار گرفت. تصویر سنجنده (oli) operational land imager لندست 8 (سال 2013) پس از تصحیحات هندسی و توپوگرافیکی تحت این الگوریتم­ها قرار گرفته و به 9 طبقه کاربری و پوشش اراضی شامل پهنه­های آبی، زراعت آبی، زراعت دیم، چمنزار، برونزدگی سنگی، جنگل، مرتع، عرصه­های مسکونی و انسان­ساخت و فرودگاه طبقه­بندی شد. پس از ارزیابی صحت، صحت کلی برای نقشه حاصل از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا به ترتیب برابر با 91/89، 68/85 و37/94 درصد و مقدار کاپای آن­ها به ترتیب 88/0، 82/0 و 93/0 برآورد شد که نشان­دهنده برتری روش شیءگرا در مقایسه با دو روش دیگر است. هر سه روش توانستند صحتی قابل قبول برای نقشه­ها­ی کاربری/پوشش اراضی ارائه دهند. در کل، سه روش طبقه­بندی پیشرفته، در منطقه ناهمگن با تغییرات ارتفاعی بیش از 3600 متر با استفاده از نسل جدید تصاویر سنجنده لندست 8 آزمون و مناسب­ترین روش تهیه نقشه کاربری/پوشش اراضی معرفی شد.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

مقایسة روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8

تهیة نقشه کاربری/پوشش اراضی، برای برنامه­ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره­ای و تکنیک­های سنجش از دور،به دلیل فرآهم آوردن داده­های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده­ای در تمامی بخش­ها از جمله بخش­های کشاورزی و منابع طبیعی دارند. در پژوهش حاضر طبقه­بندی­کننده­های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا جهت تهیه نقشةکاربری/پوشش اراضی شهرستان­های اردبیل، ن...

متن کامل

مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM

Land use classification and mapping mostly use remotely sensed data. During the past decades, several advanced classification methods such as neural network and support vector machine (SVM) have been developed. In the present study, Landsat TM images with 30m spatial resolution were used to classify land uses through two classification methods including support vector machine and neural network...

متن کامل

مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای)

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 8 به­عنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح 2و1 مورد استفاده قرار گرفت. در این بین، با توجه به جدید بودن این تصاویر، تصحی...

متن کامل

مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای)

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 8 به­عنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح 2و1 مورد استفاده قرار گرفت. در این بین، با توجه به جدید بودن این تصاویر، تصحی...

متن کامل

مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری های اراضی از تصاویر ماهواره ای لندست tm

طبقه بندی و تهیه نقشه کاربری های اراضی یکی از پرکاربردترین موارد در استفاده از داده های سنجش از دور است. تعدادی از روش های پیشرفته تر طبقه بندی در دهه های گذشته توسعه پیداکرده اند که از آنها می توان به شبکه های عصبی مصنوعی و ماشین بردار پشتیبان اشاره کرد. در این مطالعه از تصاویر لندستtm باقدرت تفکیک 30 متر جهت استخراج کاربری های اراضی با استفاده از دو روش طبقه بندی شبکه عصبی مصنوعی و ماشین بردا...

متن کامل

مقایسه ی روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم گیری در شناسایی ابر در تصاویر ماهواره ای لندست 8

مقاله­ی پیش­رو به مقایسه­ی سه روش ماشین بردار پشتیان،شبکه­ی عصبی مصنوعی و درخت تصمیم گیری با هدف شناسایی ابر می‍پردازد. وجود ابر در تصاویر ماهواره­ای اپتیکی، پیش­پردازش­های رادیومتریکی در کاربرد­های سنجش از دور را ایجاب می­کند. معمولا شناسایی ابر در تصاویر ماهواره­ای با استفاده از روش­های طبقه­بندی نظارت شده امکان پذیر می­باشد. در این مقاله تصاویر ماهواره­ای لندست 8 از دو منطقه­ی واقع در رشته­ک...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی

جلد ۶، شماره ۳، صفحات ۱-۱۴

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023