تهیه نقشه کاربری و پوشش اراضی با استفاده از داده های سنجش از دور و شبکه عصبی مصنوعی

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 209

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-49-5_018

تاریخ نمایه سازی: 7 خرداد 1402

چکیده مقاله:

نقشه های کاربری اراضی برای بسیاری از فعالیت های مدیریتی، هیدرولوژی و بررسی وضعیت فرسایش خاک ضروری می باشند. داده های سنجش از دور از پتانسیل بالایی برای تهیه نقشه های به روز کاربری و پوشش اراضی برخوردارند. هدف از این پژوهش تهیه نقشه کاربری اراضی حوضه آبخیز سد گاوشان با استفاده از تصاویر ماهواره لندست ۸ و شبکه عصبی مصنوعی و نیز ارزیابی روش مورد استفاده بود. بدین منظور از ۱۳۲۰ نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. کلاس های کاربری شناسایی شده در این حوضه عبارت بودند از کشاورزی، جنگل های بافر (درختان کنار رودخانه ای)، باغ، مراتع بوته ای، مراتع علوفه ای، مناطق مسکونی، جاده و آب. شبکه عصبی مورد استفاده در این مطالعه از نوع پرسپترون پیش خور بود که با استفاده از الگوریتم پس-انتشار خطای گرادیان مزدوج مقیاس بندی شده آموزش داده شد. متغیرهای ورودی برای ایجاد شبکه عصبی مصنوعی مقدار بازتاب طیفی تصحیح شده باندهای ۱ تا ۷ تصاویر ماهواره لندست ۸ بود. ارزیابی شبکه عصبی مصنوعی استفاده شده با استفاده از داده های کنترل زمینی نشان داد که روش استفاده شده با دقت کلی ۵/۷۸ درصد و ضریب کاپای ۵/۶۸ درصد از دقت بالایی برخوردار است. نتایج این مطالعه نشان می دهد که استفاده از شبکه های عصبی مصنوعی و تصاویر ماهواره لندست ۸ امکان خوبی را برای تهیه نقشه های کاربری اراضی با دقت بالا فراهم می آورند.

کلیدواژه ها:

نویسندگان

محمد علی محمودی

Assistant Professor, Department of soil science, Collage of Agriculture, University of Kurdistan, Sanandaj, Iran

سحر امین خواه

Graduated M.Sc. Student, Department of Soil Science, Collage of Agriculture, University of Kurdistan, Sanandaj, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Amiri, A., Ghavoshi, S. H. and Amini, G. (۲۰۰۷). Comparison ...
  • Hord, R. M. (۱۹۸۲). Digital image processing of remotely sensed ...
  • Li, Z. Y. (۱۹۹۸). Supervised classification of multi-spectral remote sensing ...
  • Lillesand, T., Kiefer, R. W., Chipman, J. (۲۰۰۴). Remote sensing ...
  • Lu, D. and Weng, Q. (۲۰۰۷). A survey of image ...
  • Manandhar, R., Odeh, I. O. and Ancev, T. (۲۰۰۹). Improving ...
  • Mas, J. F., Puig, H., Palacio, J. L. and Sosa-López, ...
  • Potere, D. (۲۰۰۸). Horizontal positional accuracy of Google Earth’s high-resolution ...
  • Salberg, A. B., and Jenssen, R. (۲۰۱۲). Land-cover classification of ...
  • Schneider, A. (۲۰۱۲). Monitoring land cover change in urban and ...
  • Steele, B. M., Winne, J. C. and Redmond, R. L. ...
  • Stuckens, J., Coppin, P. R. and Bauer, M. E. (۲۰۰۰). ...
  • Sudheer, K. P., Gowda, P., Chaubey, I. and Howell, T. ...
  • Wijaya, A. (۲۰۰۵). Application of Multi-Stage Classification to Detect Illegal ...
  • Yuan, H., Van Der Wiele, C. F. and Khorram, S. ...
  • Zhao, Z., Yang, Q., Benoy, G., Chow, T. L., Xing, ...
  • Zhou, L. and Yang, X. (۲۰۰۸). Use of neural networks ...
  • Zobeiry, M. and Majd, A. R. (۱۹۹۶). An introduction to ...
  • نمایش کامل مراجع