%0 Journal Article %T ارزیابی و بهبود عملکرد الگوریتم شبیه‏سازی تبرید به منظور تهیۀ نقشۀ پوشش اراضی در سطح زیرپیکسل با استفاده از تصاویر چندطیفی %J نشریه سنجش از دور و GIS ایران %I انجمن سنجش از دور ایران %Z 2008-5966 %A نیرومند جدیدی, میلاد %A مختارزاده, مهدی %A صاحبی, محمودرضا %D 2016 %\ 01/21/2016 %V 7 %N 3 %P 1-16 %! ارزیابی و بهبود عملکرد الگوریتم شبیه‏سازی تبرید به منظور تهیۀ نقشۀ پوشش اراضی در سطح زیرپیکسل با استفاده از تصاویر چندطیفی %K پوشش اراضی %K زیرپیکسل %K طبقه‏بندی نرم %K الگوریتم شبیه‏سازی تبرید %K تابع خنک‏سازی %K ضریب بزرگنمایی %R %X یکی از چالش‏های بسیار مهم در تهیۀ نقشۀ پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل‏های مخلوط است. با توسعۀ روش‏های تجزیۀ اختلاط طیفی و طبقه‏بندی‌کننده‏های نرم، امکان برآورد سهم کلاس‏ها در سطح زیرپیکسل فراهم می‌آید و برچسب‏های چندگانه به پیکسل‏ها اختصاص داده می‏شود. با وجود این، تولید نقشۀ پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل‏ها است. در سال‏های اخیر، روش‏های تهیۀ نقشه در سطح زیرپیکسل توسعه یافته‏اند و با استفاده از نتایج طبقه‏بندی‌کننده‏های نرم و بهره‏گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل‏ها را بهینه‏سازی می‏کنند.‏ در این تحقیق، دقت کلی الگوریتم شبیه‏سازی تبرید برای تهیۀ نقشۀ پوششی در سطح زیرپیکسل مورد ارزیابی قرار گرفته و همچنین، مکانیزم جدیدی در این روش، برای تولید پاسخ‏های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. از دیگرسو، پارامترهای مؤثر بر عملکرد الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک‏سازی و تکرارهای ایستا و پویا در عملکرد الگوریتم بررسی شده‌اند. در فرایند ارزیابی دقت کلی الگوریتم، دو روش مستقل از خطای طبقه‏بندی نرم و وابسته به این خطا لحاظ شده است. براساس نتایج، افزایش ضریب بزرگنمایی موجب کاهش دقت الگوریتم شبیه‏سازی تبرید شده و همچنین، تابع خنک‏سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به‌منزلۀ تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز، در مقایسه با حالت ایستا دقت بیشتری داشته است. روش پیشنهادی برای تولید پاسخ‏های جدید در الگوریتم شبیه‏سازی تبرید دستاورد مهم تحقیق به شمار می‌آید که دقت کلی را به نسبت روش موجود، افزایش داده و همچنین، زمان اجرای الگوریتم را تا 50% کاهش داده است. بیشترین دقت کلی الگوریتم براساس روش پیشنهادی و مستقل از خطای طبقه‏بندی نرم 97/94% برآورد شد. %U https://gisj.sbu.ac.ir/article_95833_c4dec747f4093933ffabee9f0c6831cd.pdf