علی شمسالدینی؛ شهربانو اسماعیلی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 117-132
چکیده
در طبقهبندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمینهای بایر و همچنین، شناسایی زمینهای بایر از مناطق ساختهشده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیبهای متفاوتی از ویژگیهای ورودی، بهروشهای طبقهبندی، بهمنظور بررسی امکان ارتقای دقت طبقهبندی ...
بیشتر
در طبقهبندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمینهای بایر و همچنین، شناسایی زمینهای بایر از مناطق ساختهشده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیبهای متفاوتی از ویژگیهای ورودی، بهروشهای طبقهبندی، بهمنظور بررسی امکان ارتقای دقت طبقهبندی مقایسه شد. دادههای ورودی شامل باندهای طیفی تصویر لندست-7، ویژگیهای بافتی شامل ماتریس وقوع همزمان گامهای خاکستری و شاخصهای حرارتی و مکانی پیشنهادی در این تحقیق است. در بررسی حاضر، بهمنظور طبقهبندی سناریوهای متفاوت، از سه روش طبقهبندی شامل بیشترین میزان شباهت، شبکة عصبی و ماشین بردار پشتیبان با هستههای متفاوت استفاده شد. نتایج نشان داد که ادغام تمامی دادههای ورودی و استفاده از روش ماشین بردار پشتیبان با هستة پایة شعاعی، با صحت کلی 81/۹۸% و ضریب کاپا 25/98%، ممکن است نتایجی بهتر از دیگر روشها و سناریوها داشته باشد. همچنین، در تحلیل اهمیت متغیرهای ورودی، با استفاده از روش انتخاب ویژگی برپایة جنگل تصادفی، مشخص شد که شاخصهای پیشنهادی در این مطالعه نقش مهمی در طبقهبندی با صحت بالا و کارآمد داشتهاند.