مقاله مقايسه دو روش طبقه بندي حداکثر احتمال و شبکه عصبي مصنوعي در استخراج نقشه کاربري اراضي (مطالعه موردي: حوزه سد ايلام) که چکیده‌ی آن در زیر آورده شده است، در زمستان ۱۳۸۹ در جغرافيا و توسعه از صفحه ۱۱۹ تا ۱۳۲ منتشر شده است.
نام: مقايسه دو روش طبقه بندي حداکثر احتمال و شبکه عصبي مصنوعي در استخراج نقشه کاربري اراضي (مطالعه موردي: حوزه سد ايلام)
این مقاله دارای ۱۴ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله کاربري اراضي
مقاله طبقه بندي تصوير
مقاله شبکه عصبي مصنوعي
مقاله حداکثر احتمال
مقاله ضريب کاپا

نویسنده(ها):
جناب آقای / سرکار خانم: نيازي يعقوب
جناب آقای / سرکار خانم: اختصاصي محمدرضا
جناب آقای / سرکار خانم: ملكي نژاد حسين
جناب آقای / سرکار خانم: حسيني سيدزين العابدين
جناب آقای / سرکار خانم: مرشدي جعفر

چکیده و خلاصه‌ای از مقاله:
يكي از ضروري ترين اطلاعات مورد نياز مديران و متوليان منابع طبيعي، نقشه هاي كاربري اراضي مي باشد. داده هاي ماهواره اي، به جهت ارايه اطلاعات به هنگام و رقومي، تنوع اشکال و امکان پردازش در تهيه نقشه هاي کاربري اراضي از اهميت بالايي برخوردارند. از سويي ديگر در سال هاي اخير به طور وسيع و گسترده جهت طبقه بندي تصاوير ماهواره اي از روش هاي طبقه بندي پيشرفته از قبيل شبکه هاي عصبي مصنوعي، مجموعه هاي فازي و سيستم هاي هوشمند استفاده مي شود. هدف اصلي اين تحقيق مقايسه دو روش مختلف جهت طبقه بندي کاربري اراضي با استفاده از تصاوير ASTER مي باشد. بدين منظور با استفاده از تصوير ماهواره اي  ASTERو دو الگوريتم طبقه بندي نظارت شده شامل حداکثر احتمال و شبکه عصبي مصنوعي، نقشه کاربري اراضي تهيه گرديد. در طبقه بندي با استفاده از الگوريتم شبکه عصبي از يک شبکه پرسپترون با يک لايه پنهان و ۱۴ نرون ورودي، ۹ نرون مياني و ۶ نرون خروجي استفاده شده است که تعداد نرون هاي ورودي همان تعداد باندهاي تصوير ماهواره اي ASTER  و تعداد نرون هاي خروجي همان تعداد کلاس هاي نقشه کاربري اراضي مي باشد. براي آموزش شبکه نيز از الگوريتم انتشار برگشتي استفاده شده است. نتايج حاصل از ارزيابي دقت اين دو روش با استفاده از تعيين ضريب کاپا نشان داده است که الگوريتم شبکه عصبي با ضريب ۰٫۸۶ نسبت به الگوريتم حداکثر احتمال با ضريب ۰٫۶۹ از دقت بيشتري برخوردار است. نتايج اين مطالعه همچنين نشان مي دهد الگوريتم هاي سنتي طبقه بندي مانند روش هاي آماري به خاطر انعطاف پذيري پايين و انواع پارامتريک آن مانند روش حداکثر احتمال به خاطر وابستگي به مدل آمار گوسي نمي توانند نتايج بهينه اي، در صورت نرمال نبودن داده هاي آموزشي فراهم آورند در حاليکه دليل موفقيت الگوريتم شبکه عصبي مصنوعي در سنجش از دور اين است که مي تواند داده هايي با منابع مختلف را با هم تلفيق نمايد.