Skip to main content
فهرست مقالات

مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق) مقاله

نویسنده:

نویسنده مسئول:

چکیده:

پارک‌های ملی و پناهگاه‌های حیات‌وحش از مهم‌ترین سرمایه‌های اکولوژیکی به شمار می‌روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن‌ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم‌های متنوعی برای طبقه‌بندی تصاویر ماهوارهای در سنجش‌ازدور توسعه‌یافته‌اند، انتخاب الگوریتم مناسب طبقه بندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا می‌کند. در این تحقیق با مقایسه صحت طبقه بندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیق‌تر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سال‌های 2000 تا 2017 با استفاده از تصاویر ماهواره‌ایETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهواره‌ای را بهتر طبقه بندی کرده است؛ بنابراین، از نقشه‌های کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی‌ شده، مساحت کاربری‌های پیکره آبی، دریا، پوشش علفی و کشاورزی کاهش‌یافته است درحالی‌که کلاس کاربری‌های باتلاقی، درختی و بدون پوشش افزایش‌یافته است.

National parks and wildlife shelter are the most important natural heritages; therefore, knowing of quantitative and qualitative changes in their land use plays an essential role in the quality of these areas' management. various algorithms have been developed to classify satellite imagery in remote sensing, selecting an appropriate classification algorithm is very important in achieving the accurate results. In this research, a more accurate algorithm was determined by comparing the classification accuracy of two artificial neural network and support vector machine algorithms, and it was used to examine the process of the land use changes. The present study was performed in Boujagh National Park, in the Guilan Province, during the years 2000 to 2017, using satellite imagery ETM and OLI of Landsat 7 and 8. The results of the research revealed that the support vector machine algorithm with overall accuracy and Kappa coefficient of 86.42 and 0.83 respectively for the year 2000 and, 90.65 and 0.88 for the year 2017, classified the satellite images more precisely, in comparison with the artificial neural network algorithm with overall accuracy and Kappa coefficient of 83.71 and 0.80 respectively for the year 2000 and overall accuracy and Kappa coefficient of 89.25 and 0.87 for the year 2017. Therefore, the land use maps of the support vector machine algorithm were used to determine the land use changes. The study of land use change by this method concluded that the areas of the waterbody, sea, grassland and agriculture have decreased and marshland, woody and bare lands classes showed an increase during the study period.

کلیدواژه ها:

طبقه‌بندی ، شبکه عصبی مصنوعی ، کاربری اراضی ، ماشین بردار پشتیبان ، سنجش‌ازدور ، پارک ملی بوجاق

Bojagh national park ، support vector machine ، Artificial neural network ، Land use ، Classification ، Remote Sensing


برای مشاهده محتوای مقاله لازم است ورود پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.

تحتاج دخول لعرض محتوى المقالة. إذا لم تكن عضوًا ، فتابع من الجزء الاشتراک.
إن كنت لا تقدر علی شراء الاشتراك عبرPayPal أو بطاقة VISA، الرجاء ارسال رقم هاتفك المحمول إلی مدير الموقع عبر credit@noormags.ir.

You need Sign in to view the content of the article. If you are not a member, proceed from part Membership.
If you fail to purchase subscription via PayPal or VISA Card, please send your mobile number to the Website Administrator via credit@noormags.ir.