ارزیابی کارایی الگوریتم های ماشین بردار پشتیبان جهت طبقه بندی کاربری اراضی با استفاده از داده های ماهواره ای ETM+ لندست (مطالعه موردی: حوزه سد ایلام)
عنوان مقاله: ارزیابی کارایی الگوریتم های ماشین بردار پشتیبان جهت طبقه بندی کاربری اراضی با استفاده از داده های ماهواره ای ETM+ لندست (مطالعه موردی: حوزه سد ایلام)
شناسه ملی مقاله: JR_IJRDR-18-3_006
منتشر شده در در سال 1390
شناسه ملی مقاله: JR_IJRDR-18-3_006
منتشر شده در در سال 1390
مشخصات نویسندگان مقاله:
صالح آرخی - استادیار، گروه منابع طبیعی، دانشکده کشاورزی، دانشگاه ایلام
مصطفی ادیب نژاد - کارشناس جنگل داری، دانشکده کشاورزی گنبد، دانشگاه علوم کشاورزی و منابع طبیعیگرگان
خلاصه مقاله:
صالح آرخی - استادیار، گروه منابع طبیعی، دانشکده کشاورزی، دانشگاه ایلام
مصطفی ادیب نژاد - کارشناس جنگل داری، دانشکده کشاورزی گنبد، دانشگاه علوم کشاورزی و منابع طبیعیگرگان
طبقهبندی کاربری اراضی با استفاده از تصاویر سنجش از دور یکی از مهمترین کاربردهای سنجش از دور است و بسیاری از الگوریتمها برای این منظور توسعه یافتهاند. این مطالعه کارایی الگوریتمهای ماشین بردار پشتیبان[۱](SVMs) را در طبقهبندی تصاویر ماهوارهای مورد بررسی قرار میدهد. ماشینهای بردار پشتیبان یک گروه از الگوریتمهای طبقهبندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورد استفاده قرار گرفتهاند. دقت طبقهبندی حاصل از SVMs باتوجه به نوع تابع کرنل متغیر است. در این مطالعه، الگوریتمهای SVM برای طبقهبندی کاربری اراضی حوزه سد ایلام با استفاده از دادههای ETM+ لندست مورد استفاده قرار گرفته است. طبقهبندی با استفاده از روش ماشینهای بردار پشتیبان، بصورت خودکار و با استفاده از چهار نوع کرنل خطی[۲]، چندجملهای[۳]، شعاعی[۴] و حلقوی[۵] اجرا شده است. در ضمن، کارکرد این روش با روش طبقهبندی حداکثر احتمال مقایسه شده است. نتایج نشان میدهد که الگوریتمهای SVM خصوصا سه کرنل خطی، چندجملهای و شعاعی نسبت به روش طبقهبندی حداکثر احتمال از نظر دقت کل (حدود ۱۰%) و ضریب کاپا (حدود ۱۵%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتمهای SVM را در طبقهبندی تصاویر سنجش از دور اثبات مینماید.
کلمات کلیدی: طبقهبندی نظارت شده, کاربری اراضی, روش حداکثر احتمال, ماشینهای بردار پشتیبان, حوزه سد ایلام
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1732760/