نیازی, یعقوب. (1389). مقایسه دو روش طبقه¬بندی حداکثر احتمال و شبکه¬ی عصبی مصنوعی در استخراج نقشه¬ی کاربری اراضی مطالعه موردی: حوزه سد ایلام. فصلنامه جغرافیا و توسعه, 8(20), 119-132.
یعقوب نیازی. "مقایسه دو روش طبقه¬بندی حداکثر احتمال و شبکه¬ی عصبی مصنوعی در استخراج نقشه¬ی کاربری اراضی مطالعه موردی: حوزه سد ایلام". فصلنامه جغرافیا و توسعه, 8, 20, 1389, 119-132.
نیازی, یعقوب. (1389). 'مقایسه دو روش طبقه¬بندی حداکثر احتمال و شبکه¬ی عصبی مصنوعی در استخراج نقشه¬ی کاربری اراضی مطالعه موردی: حوزه سد ایلام', فصلنامه جغرافیا و توسعه, 8(20), pp. 119-132.
نیازی, یعقوب. مقایسه دو روش طبقه¬بندی حداکثر احتمال و شبکه¬ی عصبی مصنوعی در استخراج نقشه¬ی کاربری اراضی مطالعه موردی: حوزه سد ایلام. فصلنامه جغرافیا و توسعه, 1389; 8(20): 119-132.
مقایسه دو روش طبقه¬بندی حداکثر احتمال و شبکه¬ی عصبی مصنوعی در استخراج نقشه¬ی کاربری اراضی مطالعه موردی: حوزه سد ایلام
یکی از ضروری‌ترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشههای کاربری اراضی میباشد. دادههای ماهوارهای، به جهت ارایهی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش در تهیهی نقشههای کاربری اراضی از اهمیت بالایی برخوردارند. از سویی دیگر در سالهای اخیر به طور وسیع و گسترده جهت طبقهبندی تصاویر ماهوارهای از روشهای طبقهبندی پیشرفته از قبیل شبکههای عصبی مصنوعی، مجموعههای فازی و سیستمهای هوشمند استفاده میشود. هدف اصلی این تحقیق مقایسهی دو روش مختلف جهت طبقهبندی کاربری اراضی با استفاده از تصاویر ASTER میباشد. بدین منظور با استفاده از تصویر ماهوارهای ASTER و دو الگوریتم طبقهبندی نظارتشده شامل حداکثر احتمال و شبکهی عصبی مصنوعی، نقشهی کاربری اراضی تهیه گردید. در طبقهبندی با استفاده از الگوریتم شبکهی عصبی از یک شبکهی پرسپترون با یک لایهی پنهان و 14 نرون ورودی، 9 نرون میانی و 6 نرون خروجی استفاده شده است که تعداد نرونهای ورودی همان تعداد باندهای تصویر ماهوارهای ASTER و تعداد نرونهای خروجی همان تعداد کلاسهای نقشهی کاربری اراضی میباشد. برای آموزش شبکه نیز از الگوریتم انتشار برگشتی استفاده شده است. نتایج حاصل از ارزیابی دقت این دو روش با استفاده از تعیین ضریب کاپا نشان داده است که الگوریتم شبکهی عصبی با ضریب 86/0 نسبت به الگوریتم حداکثر احتمال با ضریب 69/0 از دقت بیشتری برخوردار است. نتایج این مطالعه همچنین نشان میدهد الگوریتمهای سنتی طبقهبندی مانند روشهای آماری به خاطر انعطافپذیری پایین و انواع پارامتریک آن مانند روش حداکثر احتمال بهخاطر وابستگی به مدل آمار گوسی نمیتوانند نتایج بهینهای، در صورت نرمال نبودن دادههای آموزشی فراهم آورند در حالیکه دلیل موفقیت الگوریتم شبکهی عصبی مصنوعی در سنجش از دور این است که میتواند دادههایی با منابع مختلف را با هم تلفیق نماید.
Comparibson Between two Classification Methods of Maximum likelihood and Artificial Neural Network for Providing Land
use Maps Case Study: Ilam Dam Area
نویسندگان [English]
yagob niazi
چکیده [English]
One of the most necessary information required by the managers and custodians of natural resources are land use maps. Satellite data, for owning characteristics such as presenting on time and digit information, variable forms and process ability have a great role in providing land use maps. In the other hand, during the recent years, advanced classification methods including artificial neural networks, fuzzy sets and intelligent systems are widely used for classification of satellite photos. The main objective of this research would be comparing the two different methods of classification for land use by the use of ASTER photos. For this reason, by using ASTER satellite photos and two supervised classified algorithms including maximum likelihood and artificial neural network, the land use map was prepared. In classification with neural network algorithm, a Perceptron network with a hidden layer, 14 input neurons ‘9 middle neurons and 6 output neurons have been used for classification by neural network algorithm, in which the number of input neurons are the same number of ASTER satellite photo bands and the number of output neurons are the same number of classes for land use map. For network training, back propagation algorithm has been used.
The results obtained from accuracy evaluation of these two methods by the use of Kappa coefficient showed that neural network algorithm with coefficient 0.86 in comparing with maximum likelihood algorithm with coefficient 0.69 was more accurate. The results of this study show that traditional classification algorithms like statistical methods for its low flexibility and its different parametric types like maximum likelihood methods for their depending on Gaussian model cannot provide optimized results in case of abnormality of educational data, while the reason of success of artificial neural network algorithm in remote sensing is that it is able to integrate data with different resources.
کلیدواژه ها [English]
Land use, Photo classification, Artificial neural network, Maximum likelihood, Kappa coefficient.
ابتدای صفحه