| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,846 |
| تعداد مقالات | 32,300 |
| تعداد مشاهده مقاله | 41,387,076 |
| تعداد دریافت فایل اصل مقاله | 18,562,164 |
ارزیابی و مقایسه روش‌های ماشین بردار پشتیبان با کرنلهای خطی، چند جملهای و پایه شعاعی با شبکه عصبی مصنوعی جهت طبقه‌بندی کاربری اراضی | ||
| تحقیقات مرتع و بیابان ایران | ||
| مقاله 7، دوره 23، شماره 4، اسفند 1395، صفحه 729-743 اصل مقاله (878.67 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijrdr.2017.109502 | ||
| نویسندگان | ||
| حسن فتحی زاد* 1؛ عطا صفری2؛ مسعود بازگیر3؛ غلامرضا خسروی4 | ||
| 1دانشجوی دکتری بیابان‌زدایی، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، ایران | ||
| 2دانشجوی دکتری آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران | ||
| 3استادیار دانشکده کشاورزی، دانشگاه ایلام، ایران | ||
| 4دانشجوی دکتری آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران | ||
| چکیده | ||
| طبقه‌بندی تصویر همیشه یکی از موضوعات مهم در سنجش از دور است که اطلاعات بدست آمده در زمینه طبقه‌بندی تصویر به‌طور گسترده‌ای در برنامه‌های کاربردی دیگر مانند برنامه‌ریزی شهری، مدیریت منابع طبیعی، کشاورزی و غیره استفاده می‌شود. از آنجا که هدف اصلی از پردازش تصاویر ماهوارهای، تهیه نقشههای موضوعی و کارآمد میباشد، انتخاب الگوریتم مناسب طبقه‌بندی نقش زیادی در این امر ایفاء میکند. این مطالعه کارایی الگوریتم‌های ماشین بردار پشتیبان (SVMs) را در طبقه‌بندی تصاویر ماهوارهای مورد بررسی و آن را با الگوریتم شبکه عصبی مصنوعی مورد مقایسه قرار میدهد. ماشینهای بردار پشتیبان یک گروه از الگوریتم‌های طبقه‌بندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورد استفاده قرار گرفته‌اند. در این مطالعه، الگوریتم‌های SVM برای طبقه‌بندی کاربری اراضی منطقه میمه با استفاده از دادههای ETM+ لندست مورد استفاده قرار گرفته است. طبقه‌بندی با استفاده از روش ماشینهای بردار پشتیبان، بصورت خودکار و با استفاده از سه نوع کرنل خطی، چند جملهای و شعاعی اجراء شده است. در ضمن، کارکرد این روش با روش طبقه‌بندی شبکه عصبی مصنوعی مقایسه شده است. نتایج نشان میدهد که میانگین دقت کل و ضریب کاپا الگوریتم‌های SVM شامل کرنل خطی، چند جملهای و شعاعی نسبت به روش طبقه‌بندی شبکه عصبی مصنوعی از نظر دقت کل (حدود 9%) و ضریب کاپا (حدود 12%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتم‌های SVM را در طبقه‌بندی تصاویر سنجش از دور اثبات مینماید. | ||
| کلیدواژه‌ها | ||
| روش شبکه عصبی مصنوعی؛ ماشینهای بردار پشتیبان؛ کاربری اراضی؛ طبقه‌بندی نظارت شده؛ میمه | ||
| عنوان مقاله [English] | ||
| Evaluation of SVM with Kernel method (linear, polynomial, and radial basis) and neural network for land use classification | ||
| نویسندگان [English] | ||
| Hassan Fathizad1؛ Ata Safari2؛ masoud Bazgir3؛ Gholamreza Khosravi4 | ||
| چکیده [English] | ||
| Image classification is always one of the most important issues in remote sensing, and the obtained information from image classification is widely used in this field and other applications like urban planning, natural resource management, agriculture, etc. Since the main purpose of processing satellite images is preparing subjective and practical maps, choosing a suitable classification algorithm has an essential role. This paper studies the efficacy of Support Vector Machines (SVM) algorithm regarding satellite image classifications and compares it to artificial neural network algorithm. SVM is a group of classified and observed mechanical learning algorithms, used in remote sensing. In this study, SVM algorithms were employed for land use classification of Meymeh area using ETM+ landsat data. The classification via SVM was automatically performed by three types of linear Kernel, polynomial, and radial basis. Besides, the performance of this method was compared to that of artificial neural network classification method. Results showed that the average overall accuracy and Kappa coefficient of SVM algorithms, including linear Kernel, polynomial and radial basis, were respectively 9 percent and 12 percent more efficient than artificial neural network classification. Consequently, this study substantiates the efficiency and sufficiency of SVM algorithms in classification of remote sensing images. | ||
| کلیدواژه‌ها [English] | ||
| land use, Meymeh, Supervised Classification, support vector machines, Neural network method | ||
| مراجع | ||
|
علوی پناه، س. ک.، 1384. کاربرد سنجش از دور در علوم زمین، انتشارات دانشگاه تهران، 478ص. Arekhi, S., 2014. Comparing accuracy of artificial neural network, Support Vector Machine and maximum likelihood Algorithms for land use classification (Case study: Dashat Abbas arid region, Ilam Province). Journal Range management, 2: 30-43. Arekhi, S. and Adibnejad, M., 2011. Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment). Iranian journal of Range and Desert Reseach, 18 (11):420-440 Dixon, B. and Candade, N., 2008. Multispectral landuse classification using neural networks and support vector machines: one or the other, or both?. International Journal of Remote Sensing, 29(4): 1185-1206. Foody, G. M., 2004. Supervised image classification by MLP and RBF neural networks with and without an exhaustively defined set of classes’. International Journal of Remote Sensing, 25(15): 3091-3104. Gualtieri, J. A. and Cromp, R. F., 1998. Support vector machines for hyperspectral remote sensing classification. In: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October. SPIE, Washington, DC, 221-232. Hester, D. B., 2008. Land Cover Mapping and Change Detection in Urban Watersheds Using QuickBird High Spatial Resolution Satellite Imagery. International Journal of Remote Sensing, 31(2): 455-475. Hwang, D. J., 2005. Hawaii coastal hazard mitigation guidebook. Honolulu: NOAA Hawaii Coastal Zone Management Program. Irmak, A., Jones, J. W., Batchlor, W. D., Irmak, S., bootek, K. J. and Paz, J. O., 2006. Artificial neural network model as a data analysis tool in precision farming. American Society of Agricultural Engineers, pp: 2027-2037. Jensen, J., 2005. Introductory digital image processing: A remote sensing perspective (3rd ed.). Upper Saddle River, NJ: Prentice Hall, 526p. Kavzoglu, T. and Mather, P. M. 2003. The use of backpropagating artificial neural networks in land covers classification. International Journal of Remote Sensing, 24 (23): 4907-4938. Knorn, J., Rabe, A., Radeloff, C.V., Kuemmerle, T., Kozak, J. and Hostert, P., 2009. Land cover mapping of large areas using chain classification of neighboring Landsat satellite images. Remote Sens. Environ, 113: 957– 964. Lu, D. and Weng, Q., 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5): 823-870. Lu, D., Mausel, P., Brondi´zio, E., and Moran, E., 2004. Change detection techniques. INT Journal of Remote Sensing, 25 (12): 2365–2407. Mantero, P., Moser, G. and Serpico, S. B., 2005. Partially supervised classification of remote sensing images through SVM-based probability density estimation, IEEE Trans. on Geoscience and Remote Sensing, 43 (3): 559-570. Ojaghi, S., Ebadi, H. and Farnood Ahmadi, F., 2015. Using artificial neural network for classification of high resolution remotely sensed images and assessment of its performance compared with statistical methods. American Journal of Engineering, Technology and Society, 2(1): 1-8. Pal, M. and Mather, P. M., 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26(5): 1007-1011. Qiu, F. and Jensen, J. R., 2004. Openingtheblackboxofneuralnetworks for remote sensing image classification. International Journal of Remote Sensing, 25(9): 1749-1768. Samadzadegan, F. and Ferdosi E., 2011. Optimizing Feature Space of Support Vector Machines Based on Simulated Annealing Algorithm to Classify Polarimetric Images. Geospatial Engineering Journal, 2 (4): 67-76. Scholkopf, B. and Smola, A. J., 2000. Statistical learning and kernel methods. Cambridge, MA: MIT Press, pp: 29. Shin, S. K., Lee S. T. and Hyun K. J., 2005. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28, 127-135. Subramaniana, S., Gata, N., Sheffield, A. M., Barhenb, J. and Toomaria, N., 1997. Methodology for hyperspectral image classification using novel neural network. Society of Photo- Optical Instrumentation Engineers, Bellingham, 128-137. Szuster, B. W., Chen, Q. and Borger, M., 2011. A comparison of classification techniques to support land cover and land use analysis in tropical coastal zones. Applied Geography, 31: 525-532. Weston, J. and Watkins, C., 1998. Multi-class support vector machines (Technical Report CSD-TR-98-04). Department of Computer Science, Royal Holloway, University of London, Egham, UK. Yousefi, S., Tazeh, M., Mirzaee, S., Moradi, H. R. and Tavangar, Sh., 2011. Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Journal of Applied RS & GIS Techniques in Natural Resource Science, 2 (2): 15-24. | ||
|
آمار تعداد مشاهده مقاله: 3,143 تعداد دریافت فایل اصل مقاله: 2,608 |
||