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
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.
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 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 textمقایسه 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 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 textمقایسه 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 textMy Resources
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.
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023