این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
اطلاعات جغرافیایی (سپهر)، جلد ۲۴، شماره ۹۶، صفحات ۶۵-۷۷
عنوان فارسی کاربرد تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA) جهت استخراج مناطق ساخته شده شهری و استفاده از آن در شبکه عصبی مصنوعی (MLP) برای پیش بینی رشدآتی شهر
چکیده فارسی مقاله استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش‌بینی مناطق ساخته شده شهری در دهه‌های اخیر توسعه یافته است. مهم‌ترین گام در پیش‌بینی رشد مناطق شهری، استخراج ویژگی‌های سطح شهر با دقت و صحت بالا و مهم‌ترین چالش در این راه پیچید‌گی عوارض شهری و مسئله پیکسل‌های مخلوط است. هدف از این تحقیق استفاده از مدل‌های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش‌بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سال‌های؛ 0991 (سنجنده TM)، 2002 (سنجنده +ETM) و5102 (سنجنده OLI/TIRS) و روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه‌های کسری پوشش به عنوان لایه‌های ورودی و عضوهای پایانی به عنوان نمونه‌های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه‌بندی‌کننده استفاده شد؛ که در نتیجه صحت کلی بالای 99%و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش‌بینی رشد شهری با شبکه عصبی در این تحقیق از مدل پرسپترون چند لایه(MLP)با الگوریتم یادگیری پس انتشار (BP) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه‌بندی سال 5102 ، ضریب کاپای 29%،کاپای استاندارد 98% و کاپای طبقه‌ای (برای طبقه ساخته شده) 39%، را نشان داد. مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش‌بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of Normalized Spectral Mixture Analysis (NSMA) to extract urban built-up areas and utilize it in artificial neural network (MLP) to predict the future growth of the city
چکیده انگلیسی مقاله Using satellite images with a medium spatial resolution to detect, monitoring and prediction of urban built-up areas has a great development in recent decades. The most important step in predicting of the urban areas growth is extracting the urban features with a high precision but also the greatest challenge in this way is the complexity of urban components and the issue of mixed pixels. The purpose of this research is using sub-pixel analysis to extract the surface features of Rasht city to predict the future growth of the city’s built-up areas changes. To achieve this purpose we used three Landsat images related to; 1990 (Landsat Sensor TM), 2002 (Landsat Sensor ETM +) and 2015 (sensor OLI / TIRS) years and Normalized Spectral Mixture Analysis (NSMA). In order to classifying the images, the fraction layers as input layers, endmembers as training samples and maximum likelihood as classifier algorithm were used, As a result, the overall accuracy and kappa coefficient for three period of study were calculated up to 99% and 0.98 respectively. In this study, however, in order to predict urban growth by ANN model, Multilayer Perceptron (MLP) with Back-Propagation learning algorithm (BP) were used. The results of comparison between model’s output and 2015 classification map showed a 92% kappa coefficient, a 89% standard Kappa and a 93% classification Kappa (for classes) respectively. The used model in this research has been successful in predicting the growth of urban boundaries, but also less accurate in predicting the individual built-up areas around the urban areas.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله بهرام جمعه زاده |
دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی دانشکده جغرافیای دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

سیروس هاشمی |
دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی دانشکده جغرافیای دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

علی درویشی بلورانی | darvishi bolurani
استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشکده جغرافیای دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

مجید کیاورز |
استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشکده جغرافیای دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://www.sepehr.org/article_18944_68ef8408ce51651df528a06a91643048.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات