آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,477 |
| تعداد مقالات | 18,019 |
| تعداد مشاهده مقاله | 58,384,113 |
| تعداد دریافت فایل اصل مقاله | 19,805,004 |
مقایسه و ارزیابی الگوریتمهای مختلف یادگیری ماشین در طبقهبندی نقشه کاربری / پوشش اراضی با استفاده از تصاویر ماهوارهای ( مطالعه موردی: جنوب دریاچه ارومیه) | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| دوره 5، شماره 16، آبان 1404، صفحه 18-1 اصل مقاله (975.56 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/rsgi.2025.65022.1116 | ||
| نویسندگان | ||
| ناصر احمدی ثانی* 1؛ سهراب مرادی2 | ||
| 1دانشیار دانشکده کشاورزی و منابع طبیعی، واحد مهاباد، دانشگاه آزاد اسلامی، مهاباد، ایران. | ||
| 2استادیار گروه توسعه کشاورزی و منابع طبیعی، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران | ||
| چکیده | ||
| طبقهبندی کاربری/ پوشش اراضی برای برنامهریزی در مقیاسهای مکانی مختلف در راستای پایداری محیطزیست اهمیت بسیاری دارد. نظارت بر تغییرات کاربری/ پوشش اراضی بر خدمات و محصولات اکوسیستم، مسائل اجتماعی – اقتصادی، تغییر اقلیم، منابع طبیعی و تنوع زیستی تأثیر میگذارد. این پژوهش با هدف ارزیابی و مقایسه سه الگوریتم رایج یادگیری ماشین (درخت طبقهبندی و رگرسیون، جنگل تصادفی و ماشین بردار پشتیبان) برای طبقهبندی کاربری/ پوشش اراضی در جنوب دریاچه ارومیه انجام شد. در این رابطه از تصاویر سال 2023 ماهواره Sentinel-2A در بستر گوگل ارث انجین استفاده شد. دادههای نمونه در قالب دو مجموعه دادههای تعلیمی (70 درصد) و دادههای آزمون (30 درصد) برای انجام طبقهبندی استفاده شد. صحت نقشههای حاصل با استفاده از صحت کلی و ضریب کاپا ارزیابی شد. بر اساس نقشه کاربری/ پوشش اراضی، هفت کاربری پهنههای آبی، اراضی شور و سنگی، اراضی زراعی آبی، اراضی زراعی دیم، مناطق انسانساخت، باغات و مراتع شناسایی شد. صحت کلی برای الگوریتمهای درخت طبقهبندی و رگرسیون (CART)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) به ترتیب 86، 89 و 84 درصد و کاپا به ترتیب برابر 83/0، 87/0 و 80/0 حاصل شد. نتایج نشان داد که الگوریتم جنگل تصادفی از سایر الگوریتمها بهتر عمل میکند. بنابراین این پژوهش کارآیی و قابلیت بالاتر الگوریتم طبقهبندی جنگل تصادفی را در مقایسه با سایر الگوریتمها در تهیه نقشه کاربری/ پوشش اراضی اثبات میکند. همچنین بر لزوم انجام مطالعات مشابه با الگوریتمهای پیشرفتهتر همراه با دادههای جانبی بهویژه در حوضه آبریز دریاچه ارومیه در راستای نیل به توسعه پایدار تأکید میکند. | ||
| کلیدواژهها | ||
| الگوریتمهای یادگیری ماشین؛ دادههای سنتینل 2؛ کاربری / پوشش اراضی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 297 تعداد دریافت فایل اصل مقاله: 102 |
||