استفاده از روشهای فازی آرتمپ و شبکه‌ی عصبی پرسپترون چندلایه برای تهیّهی نقشه‌ی پوشش اراضی (مطالعهی موردی: شهر اصفهان)
نویسندگان
چکیده مقاله:
استفاده از روشهای فازی آرتمپ و شبکه‌ی عصبی پرسپترون چندلایه برای تهیّهی نقشه‌ی پوشش اراضی (مطالعهی موردی: شهر اصفهان) ازجمله عوامل مهم در برنامه‌ریزی و مدیریت شهری، بهویژه در راستای نیل به توسعهی پایدار در نواحی شهری و استفادهی بهینه از سرزمین، دسترسی بهنگام از وضعیّت پوشش اراضی برای این مناطق است. دادههای سنجش از دور پتانسیل بالایی برای تهیّهی نقشههای بهروز پوشش اراضی شهری دارند. روشهای متفاوتی در زمینهی تهیّهی نقشه‌ی پوشش اراضی شهری با استفاده از تصاویر ماهواره‌ای گزارش شده است که هریک مزایا و معایبی دارند. دو روش طبقهبندی فازی آرتمپ و شبکه‌ی عصبی پرسپترون چندلایه، ازجمله روشهای طبقهبندی تصاویر هستند که از توانایی بالایی در تفکیک طبقات مختلف پوشش اراضی، بهویژه پیکسلهای مختلط برخوردار هستند. هدف از این مطالعه، مقایسه‌ی توانایی این دو روش طبقهبندی با بهکارگیری تصویر سنجندهی LISS-III سال 1387 در تهیّهی نقشه‌ی پوشش اراضی شهر اصفهان است. نخست تصویر با میانگین خطای مربّعات 4/0 پیکسل تصحیح هندسی شد. پس از آن، دو روش طبقهبندی فازی آرتمپ و شبکه‌ی عصبی پرسپترون چندلایه بهاجرا درآمد. درنهایت نقشه‌ی پوشش اراضی منطقه به پنج طبقهی آب، مناطق مسکونی، اراضی بایر، پوشش گیاهی و جادّه طبقهبندی شد. برای ارزیابی درستی نتایج طبقهبندی، برداشت‌های زمینی بسیاری با استفاده از GPS انجام گرفت و صحّت کلّی برای روش فازی آرتمپ و شبکه‌ی عصبی پرسپترون چندلایه، بهترتیب 88 و 3/93 درصد برآورد شد. این مطالعه نشان داد که روش طبقهبندی شبکه‌ی عصبی پرسپترون چندلایه، نسبت بهروش فازی آرتمپ، از توان تفکیک و قابلیّت بیشتری برای تهیّهی نقشه‌ی پوشش اراضی در مناطق شهری برخوردار است.
منابع مشابه
استفاده از رو ش های فازی آرتمپ و شبکه‌ی عصبی پرسپترون چندلایه برای تهیّهی نقشه‌ی پوشش اراضی (مطالعهی موردی: شهر اصفهان)
استفاده از رو ش های فازی آرتمپ و شبکه‌ی عصبی پرسپترون چندلایه برای تهیّهی نقشه‌ی پوشش اراضی (مطالعهی موردی: شهر اصفهان) ازجمله عوامل مهم در برنامه ریزی و مدیریت شهری، بهویژه در راستای نیل به توسعهی پایدار در نواحی شهری و استفادهی بهینه از سرزمین، دسترسی بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده های سنجش از دور پتانسیل بالایی برای تهیّهی نقشههای بهروز پوشش اراضی شهری دارند. روش...
متن کاملپیش بینی دماهای ماهانه ایستگاه های همدید منتخب استان اصفهان، با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه
پیش بینی دما از کاربردی ترین برآوردهای عناصر آب و هوایی است. امروزه بخش های کشاورزی و صنعت وابستگی زیادی به شرایط دمایی (آب و هوا) دارند. دما یکی از فراسنج های بسیار مهم آب و هوایی است و از عوامل اصلی هویت آب و هوایی هر ناحیه محسوب می شود. هدف از انجام این پژوهش، مدل سازی برای پیش بینی میانگین دمای ماهانه ایستگاه های منتخب استان اصفهان است؛ از این رو، پس از بررسی طول دوره آماری ایستگاههای موجود...
متن کاملارائه مدلی برای انتخاب سبد بهینه سهام با استفاده از الگوریتم هوش جمعی سالپ و شبکه‌های عصبی پرسپترون چندلایه
ﻣﻬﻤﺘﺮﯾﻦ دﻏﺪﻏﻪ ﺳﺮﻣﺎﯾﻪﮔﺬاران، اﻓﺰاﯾﺶ ﻣﯿﺰان ﺳﻮد و ﮐﺎﻫﺶ رﯾﺴﮏ درﺑﻮرس ﺑﻮده و ﻫﻤﻮاره ﺑﻪ دﻧﺒﺎل راهکاری جهت ﺑﻬﺘﺮﯾﻦ ﭘﯿﺸﻨﻬﺎد در ﺧﺮﯾﺪ ﺳﻬﺎم هستند، تا ﺑﯿﺸﺘﺮﯾﻦ سود ﺳﺮﻣﺎﯾﻪﮔﺬاری را ﺑﺎﺷﺪ. در تحقیقات اﻧﺠﺎم ﺷﺪه مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها است اما ﺑﻬﺘﺮ اﺳﺖ ﻣﻌﯿﺎرﻫﺎیی همچون ﭼﻮﻟﮕﯽ با در نظر گرفتن ﭘﺘﺎﻧﺴﯿﻞ آینده ﺳﻬﺎم مورد بررسی قرار گیرد. در اﯾﻦ ﺗﺤﻘﯿﻖ از 20 ﺷﺮﮐﺖ اول از 50...
متن کاملارزیابی کارایی چهار روش شبکه‌ی عصبی مصنوعی در تهیه‌ی نقشه‌ی پوشش/کاربری اراضی با استفاده از تصاویر ماهواره‌ای ETM+ مطالعه موردی: سه منطقه دویرج، مهران و سرابله
نقشه‌هایپوشش/کاربریاراضیحاصلازتصاویرماهواره‌اینقشمهمیدرارزیابی‌هایمنطقه‌ایوملیپوشش/کاربریاراضیایفامی‌کنند.طیّ سالهای گذشته، کاربردهای زیادی از روشهای طبقهبندی شبکه عصبی مصنوعی برای طبقهبندی پوشش/کاربری اراضی در منابع گزارش شده است، اما مطالعات معدودی، مقایسه‌ی آنها با هم را ارزیابی نمودهاند. در این مطالعه، ابتدا تصحیحات هندسی بر روی دادههای+ETM صورت گرفت. سپس با بازدیدهای میدانی، طبقات مخ...
متن کاملپیش بینی بزرگای زلزله با استفاده از شبکه عصبی پرسپترون چندلایه
به دلیل نواقص موجود در روش های پیشین محاسبه بزرگای زلزله، شبکه عصبی به عنوان یک روش جدید برای این منظور آزمایش می گردد. در این مقاله نوعی شبکه عصبی با نام پرسپترون چندلایه برای پیش بینی بزرگای گشتاوری زلزله مورد استفاده قرار گرفته است. شبکه عصبی پرسپترون شامل سه لایه اصلی با نام های لایه ورودی، لایه پنهان و لایه خروجی است. ورودی های این شبکه شش متغیر مربوط به مکان و زمان وقوع زلزله و همچنین مشخ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 44 شماره 1
صفحات 127- 143
تاریخ انتشار 2012-04-20
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023