مقایسه کارایی الگوریتم های مختلف طبقه بندی جهت استخراج نقشه های کاربری اراضی از تصاویر Sentinel-2A
- سال انتشار: 1399
- محل انتشار: هفتمین همایش ملی جغرافیا و محیط زیست
- کد COI اختصاصی: HAMYARCONF07_009
- زبان مقاله: فارسی
- تعداد مشاهده: 700
نویسندگان
دانش آموخته سنجش از دور و GIS دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
دانشیار گروه سنجش از دور و GIS دانشگاه آزاد اسلامی واحد علوم و تحقیقات و پژوهشکده حفاظت خاک و آبخیزداری
استادیار گروه سنجش از دور و GIS دانشگاه آزاد اسلامی واحد علوم و تحقیقات
چکیده
یکی از راه های تهیه نقشه های پوشش گیاهی و کاربری اراضی، استفاده از داده های ماهواره ای و فرآیند طبقه بندی تصاویر است. استفاده از تصاویر ماهواره ای مستلزم شناخت کارآیی این ابزار و نیز شناسایی بهترین روش های کاربرد آن ها می باشد. هدف پژوهش مقایسه میزان کارایی پنج رایج طبقه بندی نظارت شده با استفاده از تصاویر سنجیده Sentinel-2A جهت استخراج کاربری های اراضی باغ، مناطق مسکونی، جاده، اراضی کشاورزی، اراضی بایر، اراضی مرتعی و پهنه هی آبی می باشد. در این راستا ابتدا تصحیحات هندسی، رادیومتریکی و اتمسفری بر روی تصویر اعمال شد؛ سپس نمونه های آموزشی در 7 کلاس کاربری از تصویر استخراج گردید و با استفاده از روش Stratified Random تعداد 204 نمونه نقطه به ازای هر کلاس تولید شد. در ادامه منطقه مورد مطالعه با استفاده از روش های طبقه بندی حداکثر احتمال، حداقل فاصله، فاصله ماهالونوبیس، شبکه عصبی و روش پشتیبان بردار پشتیبان طبقه بندی شدند. پس از تولید نقشه های کاربری توسط روش های طبقه بندی مذکور، جهت بررسی دقت هر کدام از روش ها، مجددا با استفاده از روش Stratified Random مقدار 144 نمونه برای هر کاربری از بین نمونه های زمینی و نمونه های حاصل از گوگل ارث استخراج گردید. سپس با استفاده از این نمونه ها، ضریب کاپا و دقت هر یک از روش های طبقه بندی استخراج شد. نتایج نشان داد که روش پشتیبان بردار ماشین به ترتیب با ضریب کاپا 0/92 و دقت 92/89 دارای بیشترین دقت در مقایسه با سایر روش ها می باشد. با بررسی دقت هر کاربری در این دو روش کاملا مشهود است که روش پشتیبان بردار در استخراج کاربری های باغ، و انسان ساخت به ترتیب با دقت برابربا 94/44، 93/06 و 96/53 بهتر از روش حداکثر احتمال عمل کرده است که این نتایج حاکی از این است که روش پشتیبان بردار ماشین در شناسایی عوارض با هندسه منظم عملکرد بهتری داشته است.کلیدواژه ها
طبقه بندی، Sentinel-2A، ارزیابی دقت، سنجش از دور، کاربری اراضیمقالات مرتبط جدید
- استفاده از مواد دوست دار محیطزیست بهعنوان جایگزین برای صنعت بستهبندی مواد غذایی
- مروری بر کاربرد چارچوبهای فلزی-آلی در جذب دیاکسید کربن
- کنترل بهینه یک مدل دینامیکی امکانات و تسهیلات گردشگری در جهت توسعه پایدار مبتنی بر تاثیرات عوامل محیطی
- بررسی موانع پیاده سازی استانداردهایISO با تاکید بر مدیریت سبز با استفاده از شبکههای عصبی عمیق کانولوشن
- استخراج رمزارز و چالش های آلودگی محیط زیست
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.