ارزیابی الگوریتم های طبقه بندی نظارت شده غیرپارامتریک در تهیة نقشه پوشش زمین با استفاده از تصاویر لندست 8

میرزایی زاده, وحید; نیک نژاد, مریم; اولادی قادیکلایی, جعفر

|
|
|
ارجاع به این مقاله
RIS EndNote BibTeX APA MLA Harvard Vancouver
|
اشتراک گذاری

	ارزیابی الگوریتم های طبقه بندی نظارت شده غیرپارامتریک در تهیة نقشه پوشش زمین با استفاده از تصاویر لندست 8
مقاله 3، دوره 6، شماره 3 - شماره پیاپی 20، پاییز 1394، صفحه 29-44 اصل مقاله (1.3 MB)
نوع مقاله: مقاله پژوهشی
نویسندگان
وحید میرزایی زاده ¹؛ مریم نیک نژاد²؛ جعفر اولادی قادیکلایی³
¹دانش‌آموخته کارشناسی ارشد جنگل‌داری، دانشگاه ایلام
²دانشجوی دکتری جنگل‌داری، دانشگاه علوم کشاورزی و منابع طبیعی ساری
³دانشیار دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
تاریخ دریافت: 06 دی 1393، تاریخ بازنگری: 20 خرداد 1394، تاریخ پذیرش: 21 تیر 1394
چکیده
هدف از این تحقیق ارزیابی کارایی سه الگوریتم ماشین بردار پشتیبان، درخت تصمیمگیری و شبکه عصبی مصنوعی فازی آرتمپ جهت تهیة نقشه پوشش زمین حوزه آبخیز ارکواز با استفاده از تصویر سنجنده OLI ماهواره لندست 8 (سال 1393) است. پس از تصحیح هندسی تصاویر و پیشپردازشهای صورت گرفته، اقدام به تعیین نمونههای تعلیمی مربوط به طبقات پوشش زمین برای انجام عملیات طبقهبندی شد و ارزیابی تفکیک پذیری نمونهها در هر کدام از طبقات پوشش زمین با استفاده از شاخص آماری واگرایی تعیین شد. به منظور ارزیابی صحت نتایج طبقهبندی هر کدام از الگوریتمها، نقشه واقعیت زمینی با استفاده از روش سیستماتیک به ابعاد 550 متری طراحی و نوع پوشش زمینی آنها در محل نمونهها مشخص گردید. در نهایت، کارایی روشهای طبقهبندی با استفاده از معیارهای صحت کلی، ضریب کاپا، صحت تولید کننده و صحت کاربر مورد بررسی قرار گرفت. مقایسة صحتهای کلی و ضریب کاپای کسب شده برای سه طبقهبندی کننده با مجموعه باندی مناسب در مقایسه با نقشة واقعیت زمینی نشان داد که طبقهبندی کننده ماشین بردار پشتیبان با مقدار صحت کلی 26/91% و ضریب کاپای 8731/0 نتایج مطلوبتری نسبت به سایر الگوریتمها دارد. نتایج همچنین نشان داد که تفکیک و طبقهبندی اراضی جنگلی از سایر طبقات کاربری منطقه با صحت بالا صورت گرفته است.
کلیدواژه‌ها
طبقه‌بندی تصویر؛ نقشه پوشش زمین؛ سنجش از دور؛ ماشین بردار پشتیبان؛ آبخیز ارکواز
عنوان مقاله [English]
Evaluating non-parametric supervised classification algorithms in land cover map using LandSat-8 Images
نویسندگان [English]
Vahid Mirzaei Zadeh¹؛ Maryam Niknejad²؛ Jafar Oladi Qadikolaei³
¹MSc. Graduated of Forestry, Ilam University
²PhD. Student of Forestry, Sari University of Agricultural Sciences and Natural Resources
³Assoc. Prof. College of Natural Resources, Sari University of Agricultural Sciences and Natural Resources
چکیده [English]
The aim of this study was to evaluate the efficiency of three support vector machine algorithms, fuzzy decision trees and neural networks for mapping land vegetation map of Arakvaz watershed using OLI sensor of Landsat images (2014). Geometric correction and image pre-processing were utilized to determine the training samples of land vegetation classes for the classification operations. Sample resolution in the vegetation classes has been evaluated using a statistical divergence index. On the next stage, to evaluate the accuracy of algorithms' classification results, ground truth map with the dimensions of 550 m was designed using systematic approach and land vegetation types in the sampling plots were determined. Finally, the efficiency of each classification methodwas investigated bysuch criteria as overall accuracy, kappa coefficient, producer accuracy and user accuracy.Comparing the accuracy and kappa coefficient obtained for three categories with a proper band set in comparison with the ground truth map indicates that the Support Vector Machine (SVM) classifier with overall accuracy of 91.26% and kappa coefficient of 0.8731 has had more appropriate results than other algorithms. The results showed that the separation and classification of forest landswith high accuracy have beenperformedas compared to the other land use classes.
کلیدواژه‌ها [English]
Image classification, Land cover maps, Remote Sensing, Support vector machine, Arakvaz watershed


آمار تعداد مشاهده مقاله: 1,448 تعداد دریافت فایل اصل مقاله: 936