تحقیقات مرتع و بیابان ایران، جلد ۲۳، شماره ۴، صفحات ۷۲۹-۷۴۳
عنوان فارسی ارزیابی و مقایسه روش‌های ماشین بردار پشتیبان با کرنل‌های خطی، چند جمله‌ای و پایه شعاعی با شبکه عصبی مصنوعی جهت طبقه‌بندی کاربری اراضی
چکیده فارسی مقاله طبقه‌بندی تصویر همیشه یکی از موضوعات مهم در سنجش از دور است که اطلاعات بدست آمده در زمینه طبقه‌بندی تصویر به‌طور گسترده‌ای در برنامه‌های کاربردی دیگر مانند برنامه‌ریزی شهری، مدیریت منابع طبیعی، کشاورزی و غیره استفاده می‌شود. از آنجا که هدف اصلی از پردازش تصاویر ماهواره‏ای، تهیه نقشه‏های موضوعی و کارآمد می‏باشد، انتخاب الگوریتم مناسب طبقه‏بندی نقش زیادی در این امر ایفاء می‏کند. این مطالعه کارایی الگوریتم‏های ماشین بردار پشتیبان (SVMs) را در طبقه‏بندی تصاویر ماهواره‏ای مورد بررسی و آن را با الگوریتم شبکه عصبی مصنوعی مورد مقایسه 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. در این مطالعه، الگوریتم‌های SVM برای طبقه‏بندی کاربری اراضی منطقه میمه 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 سه نوع کرنل خطی، چند جمله‏ای و شعاعی اجراء شده است. در ضمن، کارکرد این روش با روش طبقه‏بندی شبکه عصبی مصنوعی مقایسه شده است. نتایج نشان می‏دهد که میانگین دقت کل و ضریب کاپا الگوریتم‏های SVM شامل کرنل خطی، چند جمله‏ای و شعاعی نسبت به روش طبقه‏بندی شبکه عصبی مصنوعی از نظر دقت کل (حدود 9%) و ضریب کاپا (حدود 12%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتم‏های SVM را در طبقه‏بندی تصاویر سنجش از دور اثبات می‏نماید.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Evaluation of SVM with Kernel method (linear, polynomial, and radial basis) and neural network for land use classification
چکیده انگلیسی مقاله Image classification is always one of the most important issues in remote sensing, and the obtained information from image classification is widely used in this field and other applications like urban planning, natural resource management, agriculture, etc. Since the main purpose of processing satellite images is preparing subjective and practical maps, choosing a suitable classification algorithm has an essential role. This paper studies the efficacy of Support Vector Machines (SVM) algorithm regarding satellite image classifications and compares it to artificial neural network algorithm. SVM is a group of classified and observed mechanical learning algorithms, used in remote sensing. In this study, SVM algorithms were employed for land use classification of Meymeh area using ETM+ landsat data. The classification via SVM was automatically performed by three types of linear Kernel, polynomial, and radial basis. Besides, the performance of this method was compared to that of artificial neural network classification method. Results showed that the average overall accuracy and Kappa coefficient of SVM algorithms, including linear Kernel, polynomial and radial basis, were respectively 9 percent and 12 percent more efficient than artificial neural network classification. Consequently, this study substantiates the efficiency and sufficiency of SVM algorithms in classification of remote sensing images.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسن فتحی زاد |
دانشجوی دکتری بیابان زدایی، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، ایران
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

عطا صفری |
دانشجوی دکتری آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی ساری

مسعود بازگیر |
استادیار دانشکده کشاورزی، دانشگاه ایلام، ایران
سازمان اصلی تایید شده: دانشگاه ایلام (Ilam university)

غلامرضا خسروی |
دانشجوی دکتری آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی گرگان

نشانی اینترنتی http://ijrdr.areeo.ac.ir/article_109502_bb025cc0f7ddef484f5ee2df40a8b6d1.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/708/article-708-415259.pdf
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