- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,722 |
| تعداد مقالات | 31,007 |
| تعداد مشاهده مقاله | 27,032,000 |
| تعداد دریافت فایل اصل مقاله | 16,153,632 |
ارزیابی توان تفکیکی روش‌های طبقهبندی پیکسل پایه داده‌های لندست 8 در تشخیص نوع پوشش اراضی مناطق کوهستانی، مطالعه موردی: حوزه آبخیز بشار | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 13، دوره 13، شماره 2، تیر 1400، صفحه 405-416 اصل مقاله (1.21 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2020.342796.1790 | ||
| نویسنده | ||
| محسن فرزین* | ||
| استادیار دانشکده کشاورزی و منابع طبیعی، دانشگاه یاسوج | ||
| چکیده | ||
| هدف از پژوهش حاضر، بررسی توان الگوریتم‌های مختلف طبقهبندی نظارت شده و نظارت نشده داده‌های سنجش از دور در تشخیص و تفکیک پوشش اراضی حوضه کوهستانی رودخانه بشار با استفاده از داده‌های لندست 8 بوده است. بدین منظور، پس از بررسی دقت هندسی و انجام تصحیحات رادیومتریک و اتمسفریک داده‌های ماهواره‌ای، مجموعه داده حاصل از ترکیب باندهای انعکاسی (باندهای 2، 3، 4، 5، 6، 7 و 8) و حرارتی (باند 10) ایجاد شد. سپس، طبقهبندی پیکسل پایه با استفاده از الگوریتم‌های نظارت شده احتمال حداکثر، ماشین بردار پشتیبان، فاصله ماهانالویی، حداقل فاصله، شبکه عصبی، پارالوئید، نقشه‌بردار زاویه طیفی، واگرایی اطلاعات طیفی، کدگذاری باینری و الگوریتم‌های نظارت نشده K-Means و IsoData انجام شد. دقت الگوریتم‌ها در شناسایی هر کدام از کاربری‌ها بر مبنای تحلیل ماتریس خطا، با استفاده از مقیاس‌های دقت تولید کننده، دقت کاربر و دقت کلی بر اساس قاعده خطای حذف و اضافه و ضریب کاپا ارزیابی شد. نتایج مبتنی بر ماتریس خطا نشان داد که مناسب‌ترین الگوریتم برای تفکیک و شناسایی کاربری/پوشش زراعت، ساخت و ساز، صخره، جنگل، باغ، مرتع، پیکره آبی و رها شده به‌ترتیب، احتمال حداکثر، فاصله ماهالانویی، احتمال حداکثر، فاصله ماهالانویی، شبکه عصبی، ماشین بردار پشتیبان، ماشین بردار پشتیبان، احتمال حداکثر است. درصد صحت کلی و ضریب کاپای الگوریتم‌ها نیز نشان می‌دهد که چهار الگوریتم احتمال حداکثر، ماشین بردار پشتیبان، فاصله ماهالانویی و شبکه عصبی با دقت کل به‌ترتیب 25/77، 9/75، 59/69 و 02/68 درصد و ضریب کاپای به‌ترتیب 0.72، 0.69، 0.63 و 0.58 نسبت به سایر الگوریتم‌ها عملکرد بهتری از خود نشان داده‌اند. به‌طور کلی، می‌توان با انتخاب و استفاده از مناسب‌ترین الگوریتم طبقهبندی برای هر نوع کاربری/پوشش در مناطق کوهستانی و سپس، ادغام نقشه‌های منفرد کاربری اراضی با یکدیگر، دقت طبقهبندی را بالا برده و نتایج بهتری نیز حاصل شود. | ||
| کلیدواژه‌ها | ||
| الگوریتم نظارت شده؛ پوشش زمین؛ سنجش از دور؛ شبکه عصبی؛ کاربری زمین | ||
| عنوان مقاله [English] | ||
| Evaluation of the resolution of pixel-based classification methods of Landsat 8 data for determining the type of land cover in mountainous areas, case study: Beshar Watershed | ||
| نویسندگان [English] | ||
| Mohsen Farzin | ||
| Assistant professor, Faculty of Agriculture and Natural Resources, Yasouj University | ||
| چکیده [English] | ||
| The aim of this study was to investigate the ability of different supervised and unsupervised classification algorithms of remote sensing data for detecting and separating of land cover on Beshar River Basin using Landsat 8 data. For this purpose, after checking the geometric accuracy and radiometric-atmospheric corrections on satellite data, the data set was created to the combination of spectral bands (bands 2, 3, 4, 5, 6, 7 and 8) and thermal (band 10). Next, pixel-based classification using supervised algorithms including maximum likelihood, support vector machine, mahalanobis distance, minimum distance, neural network, parallelepiped, spectral angle mapping, spectral information divergence, binary coding, and unsupervised algorithms including K-Means and IsoData was done. The accuracy of the algorithms for identifying each land use /land cover based on the error matrix analysis was evaluated using the producer's accuracy, user accuracy and overall accuracy based on the omission and commission errors, and the kappa coefficient. The results showed that the most appropriate algorithm for separation and identification of land use/land cover including agriculture, construction, cliff, forest, orchard, rangeland, water body and fallow is maximum likelihood, mahalanobis distance, maximum likelihood, mahalanobis distance, neural network, support vector machine, support vector machine, and maximum likelihood, respectively. The percentage of overall accuracy and Kappa coefficient shows that the four algorithms including maximum likelihood, support vector machine, mahalanobis distance and neural network with overall accuracy 77.25, 75.9, 69.59, 68.26 and the Kappa coefficient 0.72, 0.69, 0.63, 0.58, respectively, is better than other algorithms. Generally, the integration of appropriate classification algorithms in mountainous areas increases classification accuracy and will have better results. | ||
| کلیدواژه‌ها [English] | ||
| Beshar Watershed, Land use/land cover, Remote sensing, Supervised algorithm | ||
| مراجع | ||
| ||
|
آمار تعداد مشاهده مقاله: 220 تعداد دریافت فایل اصل مقاله: 435 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب