بررسی تغییرات کاربری اراضی پایین دست سد کجکی حوضه هیرمند افغانستان با استفاده از طبقه بندی کننده بیشترین شباهت، درخت تصمیم گیری و ماشین های بردار پشتیبان
Authors
abstract
کاهش آورد رودخانه مرزی هیرمند از افغانستان به ایران از چالش های همیشگی مدیریت منابع آب در شرق کشور بوده که در سال های اخیر تشدید شده است. توسعه کشاورزی در پایین دست سد کجکی (در حوضه آبریز رودخانه هیرمند) در افغانستان و خشکسالی اخیر از دلایل کم شدن آب این رودخانه به شمار می آید. در مقاله حاضر به طور کمّی به این موضوع پرداخته می شود و برای این منظور کاربری اراضی دشت هلمند افغانستان با استفاده از تصاویر ماهواره ای بررسی شده است. به خاطر اهمیت نوع الگوریتم انتخاب شده در تهیه تصاویر طبقه بندی شده، سه الگوریتم بیشترین شباهت (mlc)، درخت تصمیم گیری (dt) و ماشین های بردار پشتیبان (svm) ارزیابی شده اند. از مشکلات عمده در انجام آزمون ها، تهیه نمونه های آموزشی از افغانستان است؛ بدین منظور از نقشه های fao، نقشه های اطلس کاربری اراضی افغانستان، نقشه های مرکز سازمان زمین شناسی امریکا و تصاویر google earth کمک گرفته شد. با توجه به تصاویر موجود، دوره 20 ساله اخیر در سه تاریخ 1990، 2001 و 2011 میلادی مربوط به ماهواره لندست (etm+ tm,) در نظر گرفته شد و از هر سه روش جواب های نسبتاً مشابهی به دست آمد. نقشه های حاصل از الگوریتم های فوق با ضریب کاپا و دقت کلی ارزیابی شدند و دقت مناسبی داشتند. نتایج تغییرات کاربری اراضی نشان می دهند که مجموع کل کشت محصولات آبی در منطقه، حدود 62 درصد افزایش یافته، به طوری که مقدار آن از رقم 103 هزار هکتار در سال 1990، به حدود 122 هزار هکتار در سال 2001 و به حدود 167 هزار هکتار در سال 2011 رسید که مؤید تأثیر قطعی آن بر کاهش رواناب ورودی از رودخانه هیرمند به کشور است. با وجود نتایج نزدیک روش ها، طبقه بندی درخت تصمیم گیری کارآمدی بیشتری از لحاظ اتکای کمتر به نمونه های آموزشی از خود نشان داد.
similar resources
ارزیابی عملکرد سه روش طبقهبندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و بیشترین شباهت) در تهیه نقشه کاربری اراضی
Land use/cover maps are the basic inputs for most of the environmental simulation models; hence, the accuracy of the maps derived from the classification of the satellite images reduces the uncertainty in modeling. The aim of this study was to assess the accuracy of the maps produced by machine learning based on classification methods (Random Forest and Support Vector Machine) and to compare th...
full textتخمین بعد ذاتی و کاهش ابعاد داده های فراطیفی به منظور طبقه بندی با استفاده از روش های درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی
طبقه بندی تصاویر فراطیفی، به دلیل کاربردهای برجسته این تصاویر در حوزه های مختلف مانند نظامی، مدیریت و برنامه ریزی شهری، مدیریت منابع و کشف معادن، یکی از مسائل بسیار مهم در پردازش تصاویر فراطیفی به شمار میآید. تصاویر فراطیفی به دلیل دارا بودن توان تفکیک طیفی بالا، اطلاعات قابل توجهی در ارتباط با ترکیب شی با صحنه تصویربرداری در اختیار کاربر قرار میدهند. بزرگی ابعاد این تصاویر نه تنها مح...
full textبررسی تغییر کاربری اراضی و اثرات احداث سد کرخه با استفاده از تصاویر ماهوارهای و روش طبقهبندی بیشترین شباهت
سد کرخه که یکی از مهمترین و بزرگترین سدهای خاکی ایران و خاورمیانه محسوب میشود. این سد تغییرات فراوانی، را از جمله تغییر کاربری اراضی، مقدار آب موجود در منطقه، سطح پوشش گیاهی و سطح مناطق شهری به همراه داشته است. از این رو، در تحقیق حاضر، از روشی کاربردی، برمبنای تصاویر ماهوارهای (Landsat) و روش طبقهبندی بیشترین شباهت، به منظور بررسی تغییرات ناشی از احداث سد کرخه در منطقهی مورد مطالعه استفاده...
full textطبقه بندی متقاضیان تسهیلات اعتباری بانکها با استفاده از تکنیک ماشین بردار پشتیبان
در صنعت بانکداری یکی از موضوعاتی که همواره بایستی مدنظر سیاستگذاران اعتباری قرار دا شته باشد، مبحث مدیریتریسک است. در بین ریسک های مختلفی که بان کها با آن مواجهند, ریسک اعتباری از با اهمیت ترین آن ها است که اززیان های ناشی از ناتوانی یا عدم تمایل مشتری به ایفای تعهدات خویش در برابر بانک حاصل م یگردد.جهت مدیریت و کنترل ریسک مذکور , سیستم های طبقه بندی اعتباری مشتریان ضرورتی انکار ناپذیر است . چن...
full textارزیابی کارایی الگوریتم های ماشین بردار پشتیبان جهت طبقه بندی کاربری اراضی با استفاده از داده های ماهواره ای etm+ لندست (مطالعه موردی: حوزه سد ایلام)
طبقهبندی کاربری اراضی با استفاده از تصاویر سنجش از دور یکی از مهمترین کاربردهای سنجش از دور است و بسیاری از الگوریتمها برای این منظور توسعه یافتهاند. این مطالعه کارایی الگوریتمهای ماشین بردار پشتیبان[1](svms) را در طبقهبندی تصاویر ماهوارهای مورد بررسی قرار میدهد. ماشینهای بردار پشتیبان یک گروه از الگوریتمهای طبقهبندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورد استفاده ...
full textطبقه بندی عارضه مبنای تصاویر پلاریمتری سار با استفاده از طبقه بندی کننده های چندگانه ماشین بردار پشتیبان
طبقه بندی پوشش زمین یکی از کاربرد های مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و دادههای مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این مقاله یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی svm و قطعات...
full textMy Resources
Save resource for easier access later
Journal title:
سنجش از دور و gis ایرانجلد ۵، شماره ۲۰، صفحات ۰-۰
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023