شناسایی گردوغبار در تصاویر ماهوارهای MODIS با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری
Authors
Abstract:
یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیدهی گردوغبار است. در سالهای اخیر این پدیده در ایران ابعاد تازهای گرفته و از یک معضل محلی، به مسئلهای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن میباشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهوارهای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر سنجنده MODIS با توجه به قدرت تفکیک زمانی و طیفی مناسب، از اهمیت ویژهای برخوردار میباشند. در این مطالعه با استفاده از روشهای طبقه بندی درخت تصمیمگیری، شبکه عصبی مصنوعی (ANN) و ماشینهای بردار پشتیبان(SVM) تلاش شده است که گردوغبار در تصاویر ماهوارهای MODIS تشخیص داده شود، که روش طبقهبندی ماشینهای بردار پشتیبان به عنوان یک ایده جدید مطرح شده است. بهعلاوه بهمنظور بررسی دقت هر سه روش بکار برده شده، از محصول AOD(Aerosol Optical Depth) سنجنده OMI استفاده شده است، که نتایج نشان دهنده دقت و صحت بالاتر روش SVM نسبت به سایر روشها میباشد. با توجه به نتایج بدست آمده، این الگوریتم قادر به شناسایی گردوغبار در هر دو منطقه خشکی و آب بهطور همزمان میباشد و میتواند جایگزین مناسبی برای محصول AOT(Aerosol Optical Thickness) تولید شده برای گردوغبار توسط ناسا (NASA) باشد.
similar resources
شناسایی گردوغبار در تصاویر ماهواره ای modis با استفاده از روشهای ماشین بردار پشتیبان، شبکه عصبی مصنوعی و درخت تصمیمگیری
یکی از مهمترین بلایای طبیعی که طی سالیان اخیر موردتوجه قرارگرفته، پدیده ی گردوغبار است. در سال های اخیر این پدیده در ایران ابعاد تازه ای گرفته و از یک معضل محلی، به مسئله ای ملی تبدیل شده است. شناسایی و تشخیص طوفان گردوغبار اولین مرحله در بررسی و پایش آن می باشد. این تحقیق باهدف شناسایی مناطق دارای گردوغبار از تصاویر ماهواره ای، در منطقه خاورمیانه انجام گرفته است. در بررسی پدیده گردوغبار تصاویر...
full textمدل سازی رواناب رودخانه صوفی چای با استفاده از ماشین بردار پشتیبان و شبکه عصبی مصنوعی
Accurate simulation runoff process can have a significant role in water resources management and related issues. The inherent complexity of this process makes difficult the use of physical and numerical models. In recent years, application of intelligent models is increased a powerful tool in hydrological modeling. The aim of this study was the application of the Gamma test to select the optim...
full textمدلسازی مقاومت فشاری بتن غلتکی با استفاده از شبکه عصبی مصنوعی، انفیس و ماشین بردار پشتیبان
امروزه از بتن غلتکی در ساخت سدها و روسازی راهها استفاده میشود و طی سالهای اخیر استفاده از این نوع بتن به علت مزایایی چون کوتاه شدن زمان ساخت، در دسترس بودن مصالح مورد نیاز، عملکرد مناسب در نواحی سرد و عمر مفید طولانی گسترش یافته است. مهمترین خاصیت مکانیکی بتن غلتکی، مقاومت فشاری میباشد که افزایش آن میتواند عملکرد این نوع بتن را بهبود بخشد. حساسیت بتن غلتکی به اجزای تشکیلدهنده آن سبب مشک...
full textمقایسه 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...
full textمقایسه 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...
full textتهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روشهای شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال
یکی از ضروریترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشههای کاربری اراضی میباشد. در پژوهش حاضر، بهمنظور تهیة نقشة کاربری اراضی دشت عباس از دادههای رقومی سنجنده (1386)ETM+ استفاده شد. ابتدا تصویر با میانگین خطای مربعات 47/0 پیکسل تصحیح هندسی شد. جهت طبقهبندی تصویر از روشهای طبقهبندی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال استفاده شد. در نهایت، نقشة پوشش اراضی م...
full textMy Resources
Journal title
volume 4 issue 3
pages 131- 144
publication date 2015-02
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023