پديد آورندگان :
ترابي، غزال دانشگاه آزاد اسلامي واحد علوم تحقيقات، تهران - دانشكدۀ منابع طبيعي و محيط زيست , آقامحمدي زنجيرآباد، حسين دانشگاه آزاد اسلامي واحد علوم تحقيقات، تهران - دانشكدۀ منابع طبيعي و محيط زيست , بهزادي، سعيد دانشگاه تربيت دبير شهيد رجايي، تهران - دانشكدۀ مهندسي عمران - گروه مهندسي نقشه‌برداري
كليدواژه :
بيشترين شباهت , پرسپترون چندلايه , شبكۀ عصبي , طبقه بندي , نمونه هاي آموزشي
چكيده فارسي :
در حال حاضر، يك ابزار مهم براي شناسايي تغييرات زمين و پايش آنها علم سنجش از دور است. طبقه بندي تصاوير چندباندي يكي از تكنيك هاي مهم براي تفكيك واحدهاي زمين است. هدف كلي تحقيق حاضر، طبقه بندي تصاوير ماهوارهاي با بهره گيري از روش هاي هوش محاسباتي است. پديدۀ گرمايش جهاني، گسترش سدسازي، ذخيرۀ آب در پشت سدها و بهره برداري بيش از حد از آب موجود براي كاربري هاي انساني سبب خشك‌شدن درياچه ها از جمله درياچۀ بختگان شده است. به اين‌منظور، در تحقيق حاضر تصاوير لندست سال هاي 1991، 2000، 2010 و 2017 درياچۀ بختگان و محدودۀ اطراف آن گرفته شد. اين تصاوير پس از انجام پيش پردازش ها و تصحيحات مورد نياز، با روش نظارت‌شدۀ بيشترين شباهت، براساس نمونه هاي آموزشي در چهار كلاس پهنه آبي، پوشش گياهي، كوه و مناطق شهري طبقه بندي شد. سپس، همان تصوير با روش شبكۀ عصبي پرسپترون چندلايه در كلاس هاي يادشده طبقه بندي شد. در نهايت، براي هر دو روش ماتريس خطا استخراج شد و صحت كلي و ضريب كاپا محاسبه شد. صحت كلي براي سال 1991 به ترتيب براي روش بيشترين احتمال و شبكۀ عصبي 87 و 93 درصد و ضريب كاپا به ترتيب 0/86 و 0/90 محاسبه شد. بنابراين، با توجه به دقت بيشتر شبكۀ عصبي، تصاوير سالهاي 2000، 2010 و 2017 با اين روش طبقه بندي شد. بعد از طبقه بندي به منظور ارزيابي آن، از Google Earth براي هر كلاس اطلاعاتي نمونه تست در نظر گرفته شد و صحت كلي و ضريب كاپا به‌ترتيب 89 درصد و 0/85 محاسبه شد. در نهايت، مساحت پهنه آبي به صورت چشمگيري كاهش يافته و به ساير كلاس ها افزوده شده است.
چكيده لاتين :
Multilispectral picture classification is one of the most important techniques for separating earth units.The phenomenon of global warming,expansion damming,water storage behind dams and excessive utilization of existing water for human uses has caused the drying of lakes, including Lake Bakhtegan. For this purpose, Landsat images of 1991, 2000, 2010, and 2017 were collected in Bakhtegan Lake and surrounding areas. These images were categorized based on educational samples in four classes of water, septicity, mountain and urban areas after pre-processing and corrections required by the supervised maximum likeness.The same image was then sorted by multi-layer perceptron neural network method in the above classes. Finally, for both methods, the error matrix was extracted and the overall accuracy and kappa coefficient were calculated.For the year 1991, the maximum probability and neural network method was 87% and 93%, and the kappa coefficient was calculated to be 0.86 and 0.90, respectively. . Therefore, due to the higher accuracy of Negative Network, images of the years 2000, 2010 and 2017 were categorized by this method.After classification, in order to evaluate it, Google Earth was considered as the test sample for each information class and the overall accuracy and kappa coefficient were 89% and 0.85, respectively.
