مقایسة روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8

الموضوعات :

فرنوش اسلمی ¹ , اردوان قربانی ² , بهروز سبحانی ³ , محسن پناهنده ⁴

1 - دانش آموخته کارشناسی ارشد سنجش از دور و GIS، دانشگاه محقق اردبیلی
2 - دانشیار دانشکده فناوری کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
3 - دانشیار دانشکده علوم انسانی، دانشگاه محقق اردبیلی
4 - کارشناس ارشد جغرافیا، سازمان فضایی ایران

تاريخ الإرسال : 02 الإثنين , صفر, 1436 تاريخ التأكيد : 12 السبت , شعبان, 1436 تاريخ الإصدار : 10 الأحد , صفر, 1437

الکلمات المفتاحية: Artificial Neural Network, شبکه عصبی مصنوعی, Remote Sensing, Ardabil, سنجش از دور, استان اردبیل, کاربری/ پوشش اراضی, ماشین بردار پشتیبان, شیءگرا, Land use/cover, Support vector machine, Object-based,

ملخص المقالة :

تهیة نقشه کاربری/پوشش اراضی، برای برنامه ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره ای و تکنیک های سنجش از دور،به دلیل فرآهم آوردن داده های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده ای در تمامی بخش ها از جمله بخش های کشاورزی و منابع طبیعی دارند. در پژوهش حاضر طبقه بندی کننده های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا جهت تهیه نقشةکاربری/پوشش اراضی شهرستان های اردبیل، نیر و نمین مورد ارزیابی قرار گرفت. تصویر سنجندة (OLI) Operational Land Imager لندست 8 (سال 2013) پس از تصحیحات هندسی و توپوگرافیکی تحت این الگوریتم ها قرار گرفته و به 9 طبقة کاربری و پوشش اراضی شامل پهنه های آبی، زراعت آبی، زراعت دیم، چمنزار، برونزدگی سنگی، جنگل، مرتع، عرصه های مسکونی و انسان ساخت و فرودگاه طبقه بندی شد. پس از ارزیابی صحت، صحت کلی برای نقشة حاصل از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا به ترتیب برابر با 91/89، 68/85 و37/94 درصد و مقدار کاپای آن ها به ترتیب 88/0، 82/0 و 93/0 برآورد شد که نشان دهنده برتری روش شیءگرا در مقایسه با دو روش دیگر است. هر سه روش توانستند صحتی قابل قبول برای نقشه ها ی کاربری/پوشش اراضی ارائه دهند. در کل، سه روش طبقه بندی پیشرفته، در منطقة ناهمگن با تغییرات ارتفاعی بیش از 3600 متر با استفاده از نسل جدید تصاویر سنجنده لندست 8 آزمون و مناسب ترین روش تهیه نقشة کاربری/پوشش اراضی معرفی شد.