Mokhtari M, Najafi A. Comparison of Support Vector Machine and Neural Network Classification Methods in Land Use Information Extraction through Landsat TM Data. jwss 2015; 19 (72) :35-45
URL:
http://jstnar.iut.ac.ir/article-1-3059-fa.html
مختاری محمد حسین، نجفی احمد. مقایسه روشهای طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربریهای اراضی از تصاویر ماهوارهای لندست TM. علوم آب و خاک. 1394; 19 (72) :35-45
URL: http://jstnar.iut.ac.ir/article-1-3059-fa.html
گروه منابع طبیعی و کویرشناسی، دانشگاه یزد ، mokhtari.mh@gmail.com
چکیده: (12591 مشاهده)
طبقهبندی و تهیه نقشه کاربریهای اراضی یکی از پرکاربردترین موارد در استفاده از دادههای سنجش از دور است. تعدادی از روشهای پیشرفتهتر طبقهبندی در دهههای گذشته توسعه پیداکردهاند که از آنها میتوان به شبکههای عصبی مصنوعی و ماشین بردار پشتیبان اشاره کرد. در این مطالعه از تصاویر لندستTM باقدرت تفکیک 30 متر جهت استخراج کاربریهای اراضی با استفاده از دو روش طبقهبندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان اقدام شد. نتایج، دقت بالای طبقهبندیهای شبکه عصبی و ماشین بردار پشتیبان با کرنل شعاعی، هر کدام بهترتیب با دقت کلی 67/90 و 67/91 درصد را نشان داد. ماشین بردار پشتیبان کلاسهایی را که دارای خصوصیات طیفی مشترک بودند بهتر تفکیک کرد. همچنین در قسمتهای مرزی دو نوع کاربری، ماشین بردار پشتیبان قابلیت جداسازی بهتری نسبت به شبکه عصبی داشت و مرز بین دو کلاس ملموس تر بود. با توجه به نتایج گرفته شده، هر دو روش شبکه عصبی و ماشین بردار پشتیبان برای طبقهبندی کاربریهای اراضی خوب بوده، اما روش ماشین بردار پشتیبان با اختلاف 1 درصد در دقت کلی و 2درصد در ضریب کاپا بهتر بود. دقت بالای ماشین بردار پشتیبان میتواند ناشی از مرز تصمیمگیری بهینه آن باشد درحالیکه شبکه عصبی نمیتواند این مرز را ایجاد کند.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1394/6/1 | پذیرش: 1394/6/1 | انتشار: 1394/6/1