vix.ing · top · new · best · stats · spec

Evaluating the Performance of Different Machine Learning Methods in Classifying Land Cover and Use by Using Remote Sensing Images

2024/12/03 by Abdolhossein Baghlani, Baghlani, Abdolhossein, Seyyed Majid Hafezi +1
Environmental Science · Engineering · #Remote Sensing in Agriculture #Remote-Sensing Image Classification #Land Use and Ecosystem Services

paper · doi:10.71632/wej.2025.1192391

Abstract

مقدمه : امروزه موضوع تغییرات کاربری اراضی و آشکار سازی آن ها و نیز اثراتی که بر شهر ها و محیط های پیرامون آن می گذارند،به یکی از مباحث مهم و کاربردی تبدیل شده است و به کارگیری و ایجاد روش ها و مدل های متنوع و به روز،جهت بررسی این موضوع به امری بسیار ضروری و لازم تبدیل گردیده است.در این راستا،داده های سنجش ازدور با ارائه اطلاعات به روز و موثق از وضعیت پوشش زمین،ابزار مناسبی برای تهیه نقشه های پوشش و کاربری اراضی هستند. روش­ : در این پژوهش حوضه آبریز دشت نیشابور مورد بررسی قرار گرفته است. جهت پردازش ، تحلیل و فراخوانی داده های ماهواره ای از نرم افزار های Envi 5.6 ، ArcMap 10.7 و نیز برای نهایی سازی نقشه های موضوعی از نرم افزار Qgis 3.16 استفاده شده است. لازم به ذکرهست در این مطالعه از سامانه گوگل ارث انجین نیز که به عنوان قوی ترین سامانه پردازش سری زمانی تصاویر ماهواره ای در علم سنجش از دور شناخته می شود هم به کار گرفته شده است. یافته ­ ها و نتیجه گیری : طبق نتایج ماتریس خطای به دست آمده مشخص شد که روش شبکه عصبی با صحت کلی 35/83 و ضریب کاپای 79/0 برای سال 1392، حداکثر احتمال با صحت کلی 92/81 و ضریب کاپای 78/0 برای سال 1398 و شبکه عصبی با صحت کلی 36/79 و ضریب کاپای75/0 برای سال 1400 نسبت به سایر روش ها عملکرد مطلوب تر و دقت بیشتری برای تهیه نقشه های کاربری اراضی دارند.

Related