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)

Authors

  • خلیل ولی‍زاده کامران گروه سنجش از دور و GIS دانشگاه تبریز
  • فرهاد الماس پور سنجش از دور و GIS شرکت آب منطقه ای آذربایجانشرقی
Abstract:

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، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل ­از نرم­فزار Erdas فرمول­نویسی شد. هم­چنین از شاخص­های گیاهی NDVI، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفه­های اصلی (PCA) به­عنوان ورودی در کنار دیگر باندها بـرای افزایش دقت طبقه­بـندی مورد استفاده قرار گرفت. از طرفی توابع کرنل­ها و رتبه­های چندجمله­ای روش ماشین بردار پشتیبان (SVM) مورد ارزیابی قرار گرفت و بهترین نتیجه این روش با روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش ماشین بردار پشتیبان 92٪ با ضریب کاپا 91/0 و روش شبکه عصبی 89٪ با ضریب کاپا 87/0 می­­باشد هم­چنین جایی که کلاس­ها رفتار طیفی مشابهی را از خود نشان می­دهند روش SVM کارایی بهتری از خود نشان می­دهد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

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...

full text

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...

full text

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

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، ن...

full text

مدل 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 text

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...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 19  issue 52

pages  163- 183

publication date 2015-07-11

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023