آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,425 |
| تعداد مقالات | 17,564 |
| تعداد مشاهده مقاله | 56,948,324 |
| تعداد دریافت فایل اصل مقاله | 18,902,456 |
مقایسه الگوریتم‌های ماشین‌بردار پشتیبان و جنگل‌تصادفی در تهیه نقشه کشت گندم | ||
| جغرافیا و برنامه‌ریزی | ||
| دوره 29، شماره 93، 1404 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/gp.2024.62456.3278 | ||
| نویسندگان | ||
| صیاد اصغری سراسکانرود* 1؛ حمید سلیمانی یوزبند2؛ ابوذر صادقی2 | ||
| 1استاد، گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 2گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| چکیده | ||
| هشترود یکی از شهرستان‌های جنوبی استان آذربایجان شرقی و مرکز شهرستان هشترود است. این شهر در بین مختصات جغرافیایی 36 درجه و 45 دقیقه الی 37 درجه و 24 دقیقه عرض‌شمالی و 46 درجه و 25 دقیقه الی 47 درجه و 24 دقیقه طول‌شرقی واقع شده‌است. هدف این تحقیق، تهیه نقشه کشت گندم با استفاده از روش‌های یادگیری ماشین با تصاویر ماهواره‌ای سنتینل 2 می‌باشد. روش پژوهش: در این پژوهش، ابتدا تصاویر ماهواره Sentinel2-L2A تهیه شده و با استفاده از مجموعه تصاویر دارای اطلاعات بازتاب زمینی، شاخص پوشش‌گیاهی نرمال‌شده استخراج شد. سپس با استفاده از زبان‌برنامه‌نویسی R در محیط Jupyter Notebook الگوریتم‌های طبقه‌بندی ماشین‌بردار پشتیبان و جنگل‌تصادفی روی تصاویر اعمال شدند و در آخر خروجی‌های هر دو الگوریتم در نرم‌افزار Arcmap تجزیه و تحلیل شده و از نقشه‌های نهایی خروجی گرفته شد. نتایج: در نهایت مشاهده شد که الگوریتم جنگل‌تصادفی با میزان دقت کلی 93 درصد و ضریب کاپای 87 درصد عملکرد بهتر و مناسب‌تری نسبت به الگوریتم ماشین‌بردار پشتیبان با دقت کلی 90 درصد و ضریب کاپای 82 درصد داشته است. این انتخاب به دلیل دقت بالاتر و ضریب کاپای بیشتر آن نسبت به سایر الگوریتم‌ها است که نشان‌دهنده توافق بیشتر با واقعیت و دقت بالاتر در پیش‌بینی‌ها می‌باشد. نتیجه‌گیری: نتایج حاصل از اجرای این الگوریتم‌ها نشان داد که هر الگوریتم دارای نقاط قوت و ضعف خاص خود می‌باشد. الگوریتم ماشین‌بردار پشتیبان به‌دلیل ساختار ساده و کارایی مناسب در بسیاری از مسائل طبقه‌بندی مورد استفاده قرار می‌گیرد. با این حال، در این پژوهش در مقایسه با دیگر الگوریتم یعنی الگوریتم جنگل‌تصادفی عملکرد ضعیف‌تری داشت. الگوریتم جنگل‌تصادفی نیز به‌دلیل توانایی در ترکیب مدل‌های مختلف و کاهش اثر بیش‌برازش معمولا نتایج دقیقی ارائه می‌دهد. با این حال، پیچیدگی محاسبات بالای آن می‌تواند در کاربردهای بزرگ‌تر مشکل‌ساز باشد. | ||
| کلیدواژه‌ها | ||
| گندم؛ یادگیری ماشین؛ ماشین‌بردار پشتیبان؛ جنگل‌تصادفی؛ نقشه کشت | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 451 |
||