این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جغرافیا و برنامه ریزی، جلد ۱۹، شماره ۵۲، صفحات ۱۶۳-۱۸۳
عنوان فارسی مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست ۸ (مطالعه موردی: حوضه صوفی چای)
چکیده فارسی مقاله تهیه نقشه کاربری و پوشش اراضی برای برنامه­ریزی و مدیریت منابع طبیعی امری ضروری می­باشد. در این بین استفاده از داده­های سنجش از دور با توجه به ارائه اطلاعات به روز، پوشش تکراری، کم­هزینه بودن در ارزیابی منابع طبیعی جایگاه خاصی دارد. لذا در این پژوهش، تصاویر لندست 8 به­عنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح 2و1 مورد استفاده قرار گرفت. در این بین، با توجه به جدید بودن این تصاویر، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل ­از نرم­فزار Erdas فرمول­نویسی شد. هم­چنین از شاخص­های گیاهی NDVI، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفه­های اصلی (PCA) به­عنوان ورودی در کنار دیگر باندها بـرای افزایش دقت طبقه­بـندی مورد استفاده قرار گرفت. از طرفی توابع کرنل­ها و رتبه­های چندجمله­ای روش ماشین بردار پشتیبان (SVM) مورد ارزیابی قرار گرفت و بهترین نتیجه این روش با روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش ماشین بردار پشتیبان 92٪ با ضریب کاپا 91/0 و روش شبکه عصبی 89٪ با ضریب کاپا 87/0 می­­باشد هم­چنین جایی که کلاس­ها رفتار طیفی مشابهی را از خود نشان می­دهند روش SVM کارایی بهتری از خود نشان می­دهد.
کلیدواژه‌های فارسی مقاله کاربری اراضی، لندست 8، شاخص‌های گیاهی و خاک بایر، ANN، SVM،
عنوان انگلیسی Comparison of ANN and SVM methods in extraction Land Use/ Land Cover maps from Landsat 8 satellite image (Case Study: Sufi Chay Basin)
چکیده انگلیسی مقاله Land use and land cover maps are necessary for planning and natural resources management. In the way, remote sensing data have special place because of providing update data, repetitive covers and low cost images. Therefore Optimum Land Image/ Thermal Infrared Sensor were used to map land-use and land-cover in 1 and 2 level. Because of, this images are new thus radiometric correct was used ERDAS software model maker. Also Normalize Difference Vegetation Index (NDVI), Bare Soil Index (BI) and Principal Component Analyze (PCA) were used as inputs to improve classification accuracy. On the other hand kernels functional and polynomial ranks of Support Vector Machine method evaluated in side others bands and the best result of SVM method compared with Artificial Neural Network (ANN). The results indicated that SVM method has accuracy: 92% with Kappa Coefficient: 0.91 and ANN method has accuracy: 89% with kappa coefficient: 0.87 also SVM method has a good performance in the regions that, classes show similar spectral behavior.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمدحسین رضایی مقدم | mohammad hossein rezaei moghaddam
گروه ژئومورفولوژی دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

خلیل ولی زاده کامران | valizadeh kamran
گروه سنجش از دور و gis دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

صغری اندریانی |
سنجش از دور و gis

فرهاد الماس پور |
سنجش از دور و gis شرکت آب منطقه ای آذربایجانشرقی

نشانی اینترنتی http://geoplanning.tabrizu.ac.ir/article_3698_545.html
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