استفاده از روش های یادگیری ماشینی پیشرفته و تصاویر لندست در بررسی تغییرات پتانسیل فرسایش بادی در جنوب ایران
- سال انتشار: 1397
- محل انتشار: دومین همایش بین المللی گرد و غبار
- کد COI اختصاصی: TICD02_054
- زبان مقاله: فارسی
- تعداد مشاهده: 428
نویسندگان
بخش مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه شیراز
بخش منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه شیراز
بخش مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه شیراز
چکیده
یکی از مهمترین فاکتورهای موثر در فرسایش بادی، تغییر کاربری/پوشش اراضی هست. پایش دقیق کاربری/پوشش اراضی وشواهد فرسایش بادی در مناطق خشک و نیمه خشک اهمیت زیادی دارد. تفکیک پوشش های اراضی حاصل از فرسایش بادینظیر پهنه های ماسه ای و نبکاها نیازمند استفاده از روش های دقیق سنجش از دوری است. در این تحقیق توانایی تکنیک هایپیشرفته یادگیری ماشینی بر روی تصاویر لندست در تهیه نقشه کاربری/پوشش اراضی در رابطه با فرسایش بادی مورد ارزیابیقرار گرفت. بدین منظور تصاویر لندست 7 (2006) و لندست 20138 از نظر هندسی و رادیومتریکی تصحیح شدند. روش هایبارزسازی تصاویر اعمال و با الگوریتم های ماشین بردار پشتیبان با 4 نوع تابع کرنل خطی، چندجمله ای، تابع شعاعی مبنا وحلقوی و روش شبکه عصبی مصنوعی خودسازمان دهنده کوهنن طبقه بندی و با روش حداکثر شباهت مقایسه گردید. بااستفاده از آزمون های جدایی پذیری بهترین ترکیب باند ورودی طبقه بندی انتخاب شد. ارزیابی دقت نشان داد بهترین نقشه باترکیبی از باندهای خام و باندهای پردازش شده و با الگوریتم ماشین بردار RBF (دقت کلی % 88 و % 90/87 برای تصاویر لندست7 و 8) به دست می آید. اختلاف دقت این روش با روش های ماشین بردار خطی، چندجمله ای، SOM ، حلقوی و ML به ترتیب به1/5، 2/9، 8/3، 12/4 و 16/4 درصد برای لندست 7 و به ترتیب 2/16، 4/16، 6/19، 13/89 و 14/67 درصد برای لندست 8 بود. نتایج نشان داد که دقت طبقه بندی با استفاده از ترکیب باندهای پردازش شده و باندهای خام در مقایسه با باندهای خامبه تنهایی به میزان زیادی افزایش می یابد. این تحقیق قابلیت تصاویر ماهوارهای لندست و روش یادگیری ماشین بردار پشتیبان دربررسی پتانسیل فرسایش بادی در مناطق خشک را نشان میدهد.کلیدواژه ها
ماشین بردار، کاربری/پوشش اراضی، فرسایش بادی، لندستمقالات مرتبط جدید
- نقش کربن و اثرات دی اکسیدکربن بر آلودگی هوا و سلامت انسان
- اثرات مالچ پاشی در مقابله با بیابان زدایی و مرور سایر روش های اجرایی بیابان زدایی
- منابع و مسیرهای ورود میکروپلاستیک ها به محیط زیست
- چالشهای مدیران امور اراضی در مواجه با تخلفات تغییر کاربری و راهکارهای مقابله با آنها
- ارزیابی اثر زیست پالایی بر پسماندهای صنعتی
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.