استفاده از روش نقشه های خودسامان در تهیه نقشه پوشش/کاربری زمین بر روی تصاویر ماهواره rapideye، مطالعه موردی: دشت برم، فارس

در میان فنون استخراج اطلاعات از تصاویر حاصل از دورسنجی منابع زمینی، فنون طبقه بندی تصاویر ماهواره ای اعم از نظارت شده و نظارت نشده مبتنی بر قواعد تصمیم گیری مختلف فنونی رایج و تا حدودی نیز ابتدائی محسوب می شود. نقشه های خود سامان از جمله الگوریتم هایی است که هم به صورت نظارت شده و هم نظارت نشده می تواند نتایج خوبی را در اختیار کاربر قرار دهد. از آنجا که ما در راستای این پژوهش به دنبال ارائه تئوری های مستحکم تر با استفاده از تکنیک هایی با استقلال عمل بیشتر بوده ایم، به همین خاطر به دلیل مزایای شبکه های خود سامان از این روش، به منظور طبقه بندی تصویر rapideye، در دشت برم استان فارس استفاده شده است. مبنای کار روش دسته بندی نقشه های خود سامان، سیستم شبکه عصبی مصنوعی است. این گونه از شبکه های عصبی مصنوعی بر یادگیری رقابتی استوارند. برای انجام فرایند طبقه بندی بهترین نمونه ها و بهترین و کارامدترین باندها انتخاب شدند. نتایج تحقیق حاضر نشان می دهد که افزایش در تعداد نورون خروجی در روش نقشه های خود سامان، منجر به افزایش معنی داری در صحت کلی و ضریب کاپا می شود، به طوری که این مقادیر با در نظر گرفتن تعداد نورون خروجی 100*100 به ترتیب 77% و 0/7328 بدست آمد. با این حال نتایج نشان می دهد به دلیل تفاوت های ساختاری، به خصوص در مجموعه باندهای شرکت کننده در طبقه بندی، طبقه بندی به روش حداکثر احتمال و طبقه بندی به روش نقشه های خودسامان به طور ذاتی قابل مقایسه نیست. در طبقه بندی به روش نقشه های خود سامان، در انتخاب نمونه های تعلیمی، ضروری است که مجموعه باندهایی انتخاب شوند که تشابه آنها بر روی یک موضوع بیش از جدائی پذیری باندها در محل نمونه تعلیمی باشد. این باندها می توانند جایگزین نورون های لایه ی رقابتی در روش شبکه های عصبی مصنوعی باشند.