خلاصة:
یکی از ضروری ترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشه های کاربری اراضی می باشد. طی سال های گذشته، کاربردهای زیادی از روش های طبقه بندی شبکه عصبی مصنوعی برای طبقه بندی پوشش گیاهی در منابع گزارش شده است، اما مطالعات معدودی، استفاده از روش های طبقه بندی درختی و مقایسه آن ها با روش های شبکه عصبی مصنوعی ارزیابی نموده اند. در این مطالعه، ابتدا تصحیحات هندسی و رادیومتری بر روی داده های ETM+ صورت گرفت. سپس با بازدیدهای میدانی، طبقات مختلف کاربری اراضی تعریف و نمونه های آموزشی انتخاب گردید. در این مطالعه، هدف اصلی مقایسه سه الگوریتم طبقه بندی شبکه عصبی مصنوعی برای طبقه بندی پوشش سطح زمین حوزه دره شهر استان ایلام می باشد. در ضمن، کارکرد این روش ها با روش طبقه بندی درختی با سه روش انشعاب مقایسه شده است. نتایج حاصل از ارزیابی دقت تصاویر طبقه بندی شده نشان داد که روش طبقه بندی شبکه عصبی (به جز کوهونن) با دقت کل متوسط 92 و ضریب کاپای 90/0 دارای دقت بیشتری نسبت به روش طبقه بندی درختی (با سه روش انشعاب) با دقت کل متوسط 90 و ضریب کاپای 88/0 می باشد. به علاوه، زمانی که روش های مختلف شبکه عصبی مورد آنالیز قرار گرفت، مشخص گردید که روش شبکه عصبی آرتمپ فازی نسبت به روش های پرسپترو و کوهونن دقت بالاتری (با دقت کل 2% و 22% و ضریب کاپای 3% و 24% بیشتر) داشت. در این تحقیق، بالاترین دقت طبقه بندی مربوط به طبقه بندی شبکه عصبی مصنوعی آرتمپ فازی بود. بنابراین این مطالعه کارایی و قابلیت الگوریتم های شبکه عصبی مصنوعی را در طبقه بندی تصاویر سنجش از دور اثبات می نماید.
ملخص الجهاز:
"شبکه عصبی BP روش دیگری می باشد که به طور گسـترده در 9 -Fuzzy Artmap 10 - Hanson, et al 11 - DeFries et al طبقه بندی داده های سنجش از دور مورد بررسی واقع شده است .
روش تحقیق مراحل کار جهت طبقه بندی تصویر ماهواره ای +ETM با چهار روش شبکه عصبی مصنوعی پرسپترون ، شبکه عصـبی کوهونن ، آرتمپ فازی و طبقه بندی درختی مصنوعی به شرح زیر بوده است : تصحیح هندسی تطابق هندسی (زمین مرجع نمودن ) این تصویر با استفاده از بسته نرم افزاری ENVI٤٥ و به کار بـردن تبـدیل چنـد جمله ای صورت گرفـت .
در این تحقیـق نتـایج بررسـی تفکیـک پـذیری طبقات و انتخاب مجموعه باندی مناسب برای طبقه بندی تصویر و تهیه نقشه کاربری اراضی حوضه نشان داد کـه بـا وجود استفاده از مجموعه باندهای اصلی و باندهای مصنوعی حاصل از آنالیزهای مختلف (باندهای حاصل از نسـبت گیریها و تجزیه مولفه های اصلی)، باندهای اصـلی سـنجنده +ETM مناسـب تـرین مجموعـه بانـدی بـرای تفکیـک کلاس های مورد نظر بوده اند.
از اینرو، روش های طبقه بندی شبکه عصبی (با دقت کل متوسط ٢ و ضریب کاپای متوسط ٢%) نسبت بـه روش طبقـه بندی درختی (با سه روش انشعاب ) برای سری داده های مورد استفاده در این مطالعه از دقت بالاتری برخوردار بـوده است .
86 جدول ١٠- ارزیابی دقت طبقه بندی برای نقشه های کاربری استخراج شده از تصاویر +ETM با استفاده از سه روش مورد مطالعه روش ها یا الگوریتم ها دقت کل ضریب کاپا روش شبکه عصبی مصنوعی پرسپترون 91."