ارزیابی کارایی چهار روش شبکه‌ی عصبی مصنوعی در تهیه‌ی نقشه‌ی پوشش/کاربری اراضی با استفاده از تصاویر ماهواره‌ای ETM+ مطالعه موردی: سه منطقه دویرج، مهران و سرابله

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

نقشه‌هایپوشش/کاربریاراضیحاصلازتصاویرماهواره‌اینقشمهمیدرارزیابی‌هایمنطقه‌ایوملیپوشش/کاربریاراضیایفامی‌کنند.طیّ سال­های گذشته، کاربردهای زیادی از روش­های طبقه­بندی شبکه عصبی مصنوعی برای طبقه­بندی پوشش/کاربری اراضی در منابع گزارش شده است، اما مطالعات معدودی، مقایسه‌ی آنها با هم را ارزیابی نموده­اند. در این مطالعه، ابتدا تصحیحات هندسی بر روی داده­های+­ETM صورت گرفت. سپس با بازدیدهای میدانی، طبقات مختلف پوشش/کاربری اراضی تعریف و نمونه­های آموزشی انتخاب گردید. در این مطالعه، هدف اصلی مقایسه‌ی چهار روش شبکه‌ی عصبی مصنوعی برای طبقه­بندی پوشش سطح زمین در سه منطقه‌ی مهران (مرکز استان ایلام)، دویرج (جنوب استان ایلام) و سرابله (شمال استان ایلام) با شرایط اقلیمی متفاوت می­باشد. در این مطالعه، از روش‌های شبکه‌ی­ عصبی مصنوعی آرتمپ فازی، تابع پایه شعاعی، کوهونن و پرسپترون چند لایه استفاده شده است. نتایج ارزیابی دقت تصاویر طبقه­بندی شده نشان داد که روش طبقه­بندی آرتمپ فازی با دقت کل متوسط 84/9۴ و ضریب کاپای متوسط 93/0 درصد دارای بیشترین دقت نسبت به سایر روش­های بررسی شده می­باشد. اختلاف دقت کل متوسط در این روش نسبت به روش تابع پرسپترون 44/11 و اختلاف ضریب کاپا متوسط 18/0 درصد، نسبت به روش کوهونن به ترتیب 3/17 و 23/0 درصد و نسبت به روش پایه شعاعی 01/31 و 36/0 درصد می­باشد. در این تحقیق، بالاترین دقت طبقه­بندی مربوط به طبقه­بندی شبکه‌ی عصبی مصنوعی آرتمپ فازی بود. بنابراین این مطالعه کارایی و قابلیت روش شبکه‌ی عصبی مصنوعی آرتمپ فازی را در طبقه­بندی بهتر تصاویر سنجش از دور اثبات می­نماید.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluating the Efficiency of Four Artificial Neural Network Methods in Preparing Land Cover/Land Use Map Using ETM+ Data Case study: Doiraje, Mehran and Sarableh

نویسندگان [English]

  • Saleh Arekhi
  • Hassan Fathizad
چکیده [English]

 
Land use/cover maps resulting of satellite images play an important role in assessing the land use/ land cover at regional and national levels. Over the last years, many applications of neural network classifiers for land use classification have been reported in the literature, but afew  studies have assessed their comparison. In this study, firstly, geometric correction was performed on ETM+ data. Then, with field surveyings, the various land cover classes were defined and training areas were selected. The main Objective of this study is to compare four artificial neural network methods for land cover classification in Doiraj, Mehran and Sarableh region of Ilam province with various climatic conditions. In this study, we have used four artificial neural networks methods of Fuzzy Artmap, multi-layer perceptron, Kohonen and radial basis function. The results obtained of accuracy assessment of classified images showed that fuzzy Artmap classification algorithm with the overall accuracy 94.84 and kappa coefficient 0.93% have the highest accuracy than other methods. Accuracy overall difference in this approach than multi-layer percepteron method was 11.44 and Kappa coefficient 0.18, Compared to kohonen's 17.30 and 0.23% and rather than radial basis function 31.01 and 0.36%, respectively. In this study, the highest accuracy was related to fuzzy Artmap artificial neural network. Therefore, this study proves the efficiency and capability of fuzzy Artmap neural network algorithm in classification of remote sensing images.

کلیدواژه‌ها [English]

  • Land Use
  • Image classification
  • Fuzzy Artmap classifier
  • Radial basic function classifier
  • Kohonen classifie
  • perceptron multi-layer classifier