مقایسه دقت طبقه بندی سری زمانی تصاویر لندست در پایش تغییرات کاربری اراضی
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 444
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIRS-8-2_003
تاریخ نمایه سازی: 25 خرداد 1398
چکیده مقاله:
در این تحقیق، سه روش طبقه بندی شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله جهت تحلیل تغییرات کاربری اراضی، طی سال های 1989 تا 2015 در سه سنجنده ماهواره لندست در منطقه ساری مورد ارزیابی و مقایسه قرار گرفت. پس از تصحیحات هندسی و اتمسفری، تصاویر سال 1989، 2002 و 2015، تحت سه الگوریتم شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله در پنج کلاس کاربری طبقه بندی شدند. پس از ارزیابی صحت روش ها، مقدار کاپای حداکثر احتمال، شبکه عصبی مصنوعی و حداقل فاصله برای سال 1989 به ترتیب 92%،87% و 65% و سال 2002 به ترتیب 89%، 87% و 60% و سال 2015 به ترتیب 91%، 90% و 73% برآورد شد. که نشان دهنده برتری روش حداکثر احتمال در مقایسه با دو روش دیگر در سال 1989 بود. همچنین نتایج حاصل از بررسی تغییرات کاربری اراضی در کل دوره موردبررسی (سال های 1989 تا 2015)، نشان داد که مناطق انسان ساخت و زراعت آبی به ترتیب 3615 و 575 هکتار افزایش داشته اند ولی مناطق بایر، باغ و جنگل به ترتیب 1791، 1127 و 1272 هکتار روند رو به کاهشی را داشته اند با توجه به نتایج گرفته شده، دو روش حداکثر احتمال و شبکه عصبی برای طبقه بندی کاربری اراضی مناسب بود، اما روش حداکثر احتمال با اختلاف 5 درصد در سال 1989 و 2 درصد در سال 2002 و 1 درصد در سال 2015 در ضریب کاپا نسبت به روش شبکه عصبی بهتر بود.
کلیدواژه ها:
نویسندگان
احمد عظیمی نجارکلایی
دانش آموخته کارشناسی ارشد سنجش از دور و GIS، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران
علی اکبر جمالی
دانشیار دانشکده کشاورزی و منابع طبیعی، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران
زین العابدین حسینی
استادیار دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد
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 :