مقایسه الگوریتمهای MLC وANN در طبقهبندی کشف تغییرات دادههای ماهوارهای مطالعه موردی:شهرستان ارومیه
/رحیم مرادی
: جغرافیا
چاپی
کارشناسی ارشد
جغرافیا
۱۳۹۳/۰۶/۱۵
تبریز
امروزه تصاویر حاصله از سنجشازدور بهعنوان جدیدترین اطلاعات در جهت مطالعه پوشش زمین کاربریهای اراضی شناختهشده است ..نظر به اینکه فناوری سنجشازدور تصاویر بروزی را از کاربریهای اراضی ارائه میدهد در مطالعه کاربریهای اراضی و ارزیابی نسبت تغییرات آنها در طول زمان از اهمیت بالایی برخوردار است ..در تحقیق حاضر ما بر آنیم تا با دو حداکثر احتمال و شبکههای عصبی اقدام به طبقهبندی تصاویر لندست از سالهای۱۳۷۲ تا۱۳۹۳ باهدف استخراج نقشه کاربری اراضی و مقایسه صحت آنها در محدوده موردمطالعه نماییم ..در این پژوهش روش شبکه عصبی مصنوعی (MLP) با ۱ لایه ورودی به تعداد ۷ نورون شامل باندص ۱ تا ۷ سنجنده TMبا یک لایه پنهان با۱۵ نورون می و همینطور OLI یک لایه پنهان با ۲۰ نورون و یک لایه خروجی استفادهشده است .کلاسهای کاربری شامل ۷ کلاس آب، اراضی آبی، دیم، بایر و مرتع، مسکونی، شورهزار هست .الگوریتم مورداستفاده در این شبکه همان الگوریتم پس انتشار بوده و از تابع سیگموئید بهعنوان تابع فعالیت استفادهشده است .و در تعیین صحت سنجی ضریب کاپا با استفاده از روش شبکه عصبی و حداکثر احتمال به ترتیب ۰.۹۲۲۴ و ۰.۸۹۴۵به دست آمد و این ارقام روی تصاویر OLI سال ۱۳۹۳ به ترتیب ۰.۹۴۴ و ۰.۹۰۳ بوده که در هر دو مورد نشان از دقت بالاتر الگوریتم شبکههای عصبی مصنوعی دارد همچنین در عملیات کشف تغییرات مشخص شد که طبقات آب، مسکونی و شورهزار متحمل بیشترین تغییرات، و طبقه اراضی متحمل کمترین تغییرات شده است.
Today, as the latest images from remote sensing data to study land cover and land use is utililizing.As the technology of remote sensing imagery offers the incidence of land uses in the study of land use and assessment of their changes over time is important. as regards the remote sensing digital images, each of which fits the physical phenomena on Earth, with a specific digital number are recorded on the image. In this reserch With the maximum likelihood and neural networks to classify the Landsat images of the years 1372 to 1392 with the aim of extracting land use map and compare the accuracy of our study area. In this study, the method of artificial neural network (MLP) with one input layer has 7 neurons contain Band 1 to 7 of TM with one hidden layer with 15 neurons as well as the OLI one hidden layer with 20 neurons and an output layer is used. And 7 Class water, agriculture, Irrigated land, residential, Irrigated land and Range arid, rang is extracted. The algorithm used in the network Back propagation algorithm and the sigmoid function is used as activation function. Kappa coefficient was determined and verified using neural network and maximum likelihood, respectively, 0.9224 and 0.8945, respectively. These numbers OLI images of 1393 s and , respectively, 0.944 and 0.903, which in both cases showed a higher accuracy of the algorithms artificial neural networks. Also it became clear that Change Detections in the classes, water, residential and salt greatest changes, and the class Agricaltur water have been minimum Changed.