عنوان

کاربرد روش‌های یادگیری ماشین در استخراج نقشه کاربری اراضی منطقه موردمطالعه: دشت تبریز

شماره

پ۲۶۴۰۲

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

کاربرد روش‌های یادگیری ماشین در استخراج نقشه کاربری اراضی منطقه موردمطالعه: دشت تبریز

نام نخستين پديدآور

سمیه نعمتی

نام ناشر، پخش کننده و غيره

برنامه ریزی و علوم محیطی

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۷۴ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

سنجش از دور و سیستم اطلاعات جغرافیایی گرايش سنجش از دور

زمان اعطا مدرک

۱۴۰۰/۱۱/۲۳

متن يادداشت

امروزه کاربری زمین و تغییر آن به یکی از چالش های بزرگ پیش روی بشر در قرن 21 تبدیل شده است در همین راستا تعیین کاربری اراضی یکی از اطلاعات پایه در ارزیابی منابع مختلف مانند قابلیت اراضی، خاکشناسی، مطالعات پوشش گیاهی فرسایش و رسوب، مدیریت منابع طبیعی و محیط زیست، شاخت توان و استعداد اراضی و در کل مطالعات آبخیزداری و آمایش سرزمین است.نقشه های کاربری اراضی از جمله مهم ترین اطلاعات در حوزه برنامه ریزی و مدیریت منطقه ای بوده و یکی از فاکتورهای اساسی در مطالعات منابع طبیعی ومدیریت محیط زیست به شمار می روند، درحقیقت نقشه های کاربری اراضی در برگیرنده روش استفاده از سطح زمین برای نیازهای مختلف انسانی هستند وآگاهی از الگوهای کاربری اراضی وتغییرات آن در طول زمان پیش نیازی برای استفاده مطلوب ار سرمایه ملی می باشد، از این منظر استخراج نقشه های کاربری اراضی به عنوان مهم ترین هدف در مدیریت پایگاه منابع طبیعی می تواند مورد توجه قرار گیرد. یکی از ابزارهای موثردر زمینه مطالعات محیط زیست و علوم زمین، استفاده از فناوری سنجش از دور و بهره گیری از داده های ماهواره ای است سنجش از دور به جهت ارائه اطلاعات به روز، پوشش های تکراری، سنجش در محدوده های طیفی متفاوت، ارزان بودن، تنوع اشکال داده، سنجش کمی ورقومی پدیده های سطح زمین، درارزیابی منبع طبیعی از اهمیت بالایی برخوردار بوده و بهترین وسیله در تهیه نقشه های کاربری و پوشش اراضی محسوب می شود. در این پژوهش با استفاده از روش های یادگیری ماشین و تصاویر ماهواره ای سنتینل 1 اقدام به استخراج نقشه کاربری اراضی شده است.در همین راستا تصاویر ماهواره ای پس از انجام تصحیحات لازم، در محیط نرم افزاری SNAP‌ و نمونه برداری در محیط نرم افزاری ARC GIS برای طبقه بندی در محیط نرم افزاریSAGA GIS با سه روش شبکه عصبی کانولوشن (CNN) ماشین بردار پشتیبان (SVM) و روش جنگل تصادفی (RF) انجام شده است. پس از اعتبار سنجی نتایج طبقه بندی به مقایسه روش های به کار برده شده پرداخته شد. از همین رو روش شبکه عصبی کانولوشن با ضریب کاپا 92/87 و صحت کلی 34/82 نسبت به دو روش دیگر از دقت بالاتری در استخراج نقشه کاربری اراضی برخوردار است

متن يادداشت

Today, land use and its change have become one of the great challenges facing humans in the 21st century. Natural and environment is the construction of land potential and talent and in general watershed management and land management studies. Land use maps are among the most important information in the field of regional planning and management and one of the basic factors in natural resources studies and environmental management. In fact, land use maps include the method of using the land surface for various human needs, and knowledge of land use patterns and their changes over time is a prerequisite for the optimal use of national capital, from this perspective, the extraction of land use maps Land can be considered as the most important goal in natural resource base management. One of the effective tools in the field of environmental studies and earth sciences is the use of remote sensing technology and the use of satellite data. Remote sensing to provide up-to-date information, duplicate coverage, sensing in different spectral ranges, cheapness Variety of data forms, quantitative and ethnic measurement of land surface phenomena, is of great importance in the assessment of natural resources and is the best tool for preparing land use maps and land cover. In this research, land use maps have been extracted using machine learning methods and Sentinel 1 satellite images. In this regard, satellite images, after making the necessary corrections, in SNAP software environment and sampling in ARC software environment GIS has been performed for classification in SAGA GIS software environment by three methods of convolutional neural network (CNN), support vector machine (SVM) and random forest (RF) method. After validation, the classification results were compared with the methods used. Therefore, the convolution neural network method with a kappa coefficient of 87.92 and overall accuracy of 82.34 has higher accuracy in extracting land use maps than the other two methods

عنوان گونه گون

Application of Machine Learning methods in the extraction of land use maps Case Study: Tabriz plain

عنصر شناسه اي

‏نعمتی،

ساير عناصر نام

‏‏سمیه

کد نقش

تهيه کننده

عنصر شناسه اي

‏ولیزاده کامران،

عنصر شناسه اي

‏کریم زاده،

ساير عناصر نام

‏‏خلیل

ساير عناصر نام

‏صدرا

تاريخ

استاد راهنما

تاريخ

استاد راهنما

عنصر شناسه اي

‏ تبریز