| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,128 |
| تعداد مقالات | 34,768 |
| تعداد مشاهده مقاله | 50,026,627 |
| تعداد دریافت فایل اصل مقاله | 80,303,026 |
طبقهبندی حوضه آبی دریاچه پریشان به روش طبقهبندی جنگل تصادفی با استفاده از تصاویر ماهواره لندست | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 2، دوره 12، شماره 3، مهر 1399، صفحه 621-634 اصل مقاله (2.52 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2019.127500.1708 | ||
| نویسندگان | ||
| محمد صدیقی* 1؛ امیر شاهرخ امینی2 | ||
| 1دانشجوی کارشناسیارشد سنجش از دور، ، واحد تهران جنوب، دانشگاه ازاد اسلامی، تهران، ایران | ||
| 2استادیار، گروه مهندسی نقشهبرداری، واحد تهران جنوب، دانشگاه ازاد اسلامی، تهران، ایران | ||
| چکیده | ||
| بحران کمبود آب موجود در جهان، مدیریت آب در بخشهای مختلف از جمله حوضههای آبی و کشاورزی را تحت تاثیر قرار داده است. حوضههای آبی و زمینهای اطراف آنها درطول سالهای اخیر با چالشهای جدی از قبیل خشکشدن دریاچهها و رودها، بیلان منفی آبخوانها، تغییرات کاربری زمینهای اطراف، افزایش سطح زیرکشت اراضی زراعی آبی و باغی و تغییر الگوی کشت از سمت محصولات کممصرف به محصولاتی با نیاز آبی بالا مواجه شدهاند. استفاده از تصاویر ماهوارهای بهدلیل پوشش وسیع مکانی، قدرت تفکیک بالا، هزینه کم، آرشیو زمانی غنی تصاویر ماهوارهای و سهولت روشهای تعیین کاربری، ابزاری مناسب و کارآمد برای کمک به مدیریت منابع آب و خاک است. در این پژوهش، چهار طبقه خاک، آب و مناطق مرطوب، شهری و کشاورزی انتخاب شدهاند. سپس، از دو روش طبقهبندی جنگل تصادفی و ماشینهای بردار پشتیبان، برای طبقهبندی تصاویر استفاده شده است. روشهای طبقهبندی با محاسبه دو شاخص دقت کلی و ضریب کاپا با استفاده از دادههای تست بررسی شدند. طبقهبندی جنگل تصادفی در چهار سال 2012، 2014، 2016 و 2018 و طبقهبندی ماشینهای بردار پشتیبان در دو سال 2008 و 2010 بالاترین دقت را دارند. بنابراین، الگوریتم جنگل تصادفی در تفکیک طبقهها بهخصوص حوضه آبی بهخوبی عمل کرده است و میتوان بهعنوان روشی قابل اعتماد از آن در این حوضه بهره برد. | ||
| کلیدواژهها | ||
| بردار پشتیبان؛ طبقهبندی پوشش زمین؛ طبقهبندی عوارض؛ ضریب کاپا؛ مدیریت منابع | ||
| عنوان مقاله [English] | ||
| Classification Lake Parishan water basin by random forest classification using Landsat satellite images | ||
| نویسندگان [English] | ||
| Mohammad Sedighi1؛ amir shahrokh amini2 | ||
| 1MSc Student in Remote Sensing, Islamic Azad University, South Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 2Assistant Professor, Department of Surveying Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| The global water scarcity crisis is affecting water management in various sectors, including water and agriculture. Aquatic basins and their surrounding areas have been encountered with serious challenges such as drying up of lakes and rivers, negative aquifer balance, changes in surrounding land use, increased cultivation of irrigated and horticultural lands, and changes in the pattern of cultivation from low-crop to high-water crops in recent years. Satellite imagery due to its wide spatial coverage, high resolution, low cost, rich time archive of satellite imagery and ease of use methods is a useful and efficient tool to help manage water and soil resources. In this study, four classes of soil, water and wet, urban and agricultural areas were selected. Then, two random forest classification methods and support vector machines are used to classify images. Classification methods were evaluated by calculating two indices of accuracy and Kappa coefficient using test data. The random forest classification in the four years, 2012, 2014, 2016 and 2018 and classification of support vector machines in two years, 2008 and 2010 have the most accuracy. Therefore, the random forest algorithm has worked well in separating the classes, especially in water basin, and can be used as a reliable method in this area. | ||
| کلیدواژهها [English] | ||
| Classification methods, Landsat Image, Parishan Lake, Random forest, Water basin | ||
| مراجع | ||
| ||
|
آمار تعداد مشاهده مقاله: 875 تعداد دریافت فایل اصل مقاله: 543 |
||