ارزیابی کارایی چهار روش شبکه ی عصبی مصنوعی در تهیه ی نقشه ی پوشش/کاربری اراضی با استفاده از تصاویر ماهواره ای ETM+ مطالعه موردی: سه منطقه دویرج، مهران و سرابله

نقشه هایپوشش/کاربریاراضیحاصلازتصاویرماهواره اینقشمهمیدرارزیابی هایمنطقه ایوملیپوشش/کاربریاراضیایفامی کنند.طی سال­های گذشته، کاربردهای زیادی از روش­های طبقه­بندی شبکه عصبی مصنوعی برای طبقه­بندی پوشش/کاربری اراضی در منابع گزارش شده است، اما مطالعات معدودی، مقایسه ی 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 مقایسه ی چهار روش شبکه ی عصبی مصنوعی برای طبقه­بندی پوشش سطح زمین در سه منطقه ی مهران (مرکز استان ایلام)، دویرج (جنوب استان ایلام) و سرابله (شمال استان ایلام) با شرایط اقلیمی متفاوت می­باشد. در این مطالعه، از روش های شبکه ی­ 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 ۸۴/۹۴ و ضریب کاپای متوسط ۹۳/۰ درصد دارای بیشترین دقت نسبت به سایر روش­های بررسی شده می­باشد. اختلاف دقت کل متوسط در این روش نسبت به روش تابع پرسپترون ۴۴/۱۱ و اختلاف ضریب کاپا متوسط ۱۸/۰ درصد، نسبت به روش کوهونن به ترتیب ۳/۱۷ و ۲۳/۰ درصد و نسبت به روش پایه شعاعی ۰۱/۳۱ و ۳۶/۰ درصد می­باشد. در این تحقیق، بالاترین دقت طبقه­بندی مربوط به طبقه­بندی شبکه ی عصبی مصنوعی آرتمپ فازی بود. بنابراین این مطالعه کارایی و قابلیت روش شبکه ی عصبی مصنوعی آرتمپ فازی را در طبقه­بندی بهتر تصاویر سنجش از دور اثبات می­نماید.

کلیدواژه ها:

کاربری اراضی ، طبقه بندی تصویر ، تابع پایه شعاعی ، شبکه عصبی کوهونن ، شبکه عصبی پرسپترون