نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه عمومی و علوم پایه، دانشکده اقتصاد و مدیریت دریا، دانشگاه علوم و فنون دریایی خرمشهر، خرمشهر، ایران

2 گروه مدیریت محیط زیست دانشگاه تهران

چکیده

یکی از روش های پرکاربرد استخراج اطلاعات موجود در تصاویر سنجش از دور، طبقه بندی می باشد که امکان تهیه انواع نقشه های توزیع جغرافیایی پدیده ها از قبیل خاک، آب، گیاه را می دهد، از آنجا که هدف اصلی از پردازش تصاویر ماهواره‌ای، تهیه نقشه‌های موضوعی و کارآمد می‌باشد، انتخاب الگوریتم مناسب طبقه‌بندی نقش زیادی در این امر ایفاء می‌کند. در روش های پارامتری از قبیل حداکثر احتمال و حداقل فاصله مشکل اصلی وابستگی آن ها به توزیع آماری داده های ورودی می باشد. محققان در راستای بهبود و توسعه تکنیکهای طبقه بندی تلاش های را انجام دادند که می توان از تکنیک های شبکه های عصبی نام برد که روشی ناپارامتری بوده و به توزیع خاصی وابسته نیست . تعیین کلاس های و نمونه های مورد نظر جهت طبقه بندی کاربری پوشش زمین با استفاده از عملیات میدانی، نقشه های توپوگرافی، عکس های هوایی و نقشه موجود انجام شد و چهار کلاس پوشش گیاهی، ساخت و ساز، آب و فضای باز انتخاب گردید. پس از اعمال دو الگوریتم شبکه عصبی و حداکثر احتمال بر روی تصویر ماهواره‌ای لندست8 با سنجنده هایOLI TIRS ، نقشه پوشش زمین نواحی ساحلی اروند تهیه گردید. به کمک ضریب توافق کاپا دقت روش های طبقه بندی مورد ارزیابی قرار گرفت. بر اساس نتایج حاصله روش شبکه عصبی مصنوعی با ضریب کاپا92/0 نسبت به الگوریتم حداکثر احتمال با ضریب کاپا79/0. عملکرد بهتری در تهیه نقشه پوشش زمین منطقه ساحلی اروند داشته است.

کلیدواژه‌ها

Alaie roozbahani R. 2005. Evaluation of Neural Network and maximum likelihood Classification algorithms  for dryland cultivation using IRS satellite imagery. MS.Thesis. Faculty of  earth Science. Shaid chamran university, Iran.
Arkhi S. 2014. Preparation of land use map of Ilam Plain using artificial neural network, Backup vector machine and maximum likelihood. Commodore journal. 1(2): 30-43.
Brian W.S. and Michael B. 2011. Comparison of classification techniques to support land cover and land use analysis in tropical coastal  zones. Applied  geography. 31:525-532.
Darvishsefat A. 1998. Estimated accuracy of GIS database thematic maps. The 5th GIS Conference. Tehran.
Mas  J.F.  2003.  A artificial neural networks approach to map land use/cover using  landsat  imagery  and ancillary data .  Proceedings of the international geoscience and remote sensing symposium IEE IGARSS..vol5.
Mirzaiezadeh V, Niknejhad M, Mahdavi A. 2014. Comparison of two classification methods maximum likelihood and mahalanubis distance in Preparing a Forest Map. Fourth International Conference on Ecological and Botanical Tree. Sari.
Mountrakis G.I. and  Ogole.C. 2011. Support vector machines in remote sensing: a review. ISPRS journal of photogramemetry and remote sensing. 13:247-259.
 Murthy  C.S., Raju P. and  Brdrinath K.. 2003. Classification of wheat  crop with multi-temporal  images: performance of  maximum likelihood and artificial neural networks. Remote sensing. 24(23): 4871-4890.
Niazi Y., Ekhtesasi M., Malekinejhad H. and Hoseini Z.2010. Comparison of two classification methods maximum likelihood and artificial neural network in land use exploitation in Ilam dam area. Geography and development. 20: 119-132.
Lillesand T.M. and Kiefer R.W. 1994. Rmote sensing and image interpretation. Jhon weily and sons inc. new York, p749.
 Lizarazo I.  2006. Urban land cover and land use classification using high spatial resolution images and spatial metrics. Proceeding of 2nd workshop of the earsel  sig on land cover and land use.
 Paola  J. D. and  Schowengerdt R. A. 1997. The Effect of Neural- Network Structure on a Multispectral Land-Use/ Land-Cover Classification.
Rahdari V, Maleki najafababdi S, Rahnama M. 2011. Comparison of satellite image categorization methods for mapping and vegetation cover in arid and semi-arid regions. Geomatics conference. Tehran.
Turner,M. 1988. Change in landscape patterns in Georgia. Landscape Ecology,1(4):421-435.
Yousefi S., Tazeh M. and Mirzaie S. 2014. Comparison of Different Classification Algorithms in Preparation of Land Use Map. Remote Sensing and Geographic Information Systems in Natural Resources. 5(3): 67-76. 
Yuan F., Sawaya K.E., Loeffelholz B.C. and Bbauer M.E. 2005. Landcover classification and change analysis of twin cities metropolitan area by multitemporal landsat remote sensing. Remote sensing of  environment. 98(2):317-328.
Zahedifard KH., Jalalian N. and Jamalaldin A. 2004. Application of digital data of TIM sensor in preparation of land use map in bazoft river  Basin. Journal of Agricultural and natural resources  Science and Technology.8(2).