مقایسة روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8
محورهای موضوعی : توسعه سیستم های مکانی
فرنوش اسلمی
1
(دانش آموخته کارشناسی ارشد سنجش از دور و GIS، دانشگاه محقق اردبیلی)
اردوان قربانی
2
(دانشیار دانشکده فناوری کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی)
بهروز سبحانی
3
(دانشیار دانشکده علوم انسانی، دانشگاه محقق اردبیلی)
محسن پناهنده
4
(کارشناس ارشد جغرافیا، سازمان فضایی ایران)
کلید واژه: 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,
چکیده مقاله :
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.
Preparing the maps of land use/cover for spatial planning and management is essential. Nowadays, satellite images and remote sensing techniques have widespread applications according to their capabilities to produce the updated data and analyze the images in all disciplines such as agriculture and natural resources. In the present study, Artificial Neural Network, Support Vector Machines and Object-Based techniques wereutilized for drawing the land use and vegetation maps in Ardabil, Namin, and Nir counties. The images of LandSat-8 Operational Land Imager (OLI) (2013) were usedafter geometric correction and topographic normalization and classified into 9 land use/cover classes including water bodies, irrigated farming, rainfed farming, meadows, outcrops, forests, rangelands, residential and airport areas. After the accuracy assessment, overall accuracy for the produced maps of ANN, Support Vector Machine (SVM) and Object-based (OB) techniques was estimated as 89.91, 85.68 and 94.37%, respectively and Kappa's coefficients were 0.88, 0.82 and 0.93, respectivelyindicating that the object-based method in comparison with two other methods has more advantages;on the other hand, all three methods could provide the desirable accuracy for the land use/covermaps. Overally, three advanced classification methods were examined in the heterogeneous area with elevation changes up to 3600m using the images of new lunched Landsat 8 and the most appropriate land use/cover mapping method was introduced.
