ارزیابی و مقایسه روشهای ماشین بردار پشتیبان با کرنلهای خطی، چند جملهای و پایه شعاعی با شبکه عصبی مصنوعی جهت طبقهبندی کاربری اراضی
2017
طبقهبندی تصویر همیشه یکی از موضوعات مهم در سنجش از دور است که اطلاعات بدست آمده در زمینه طبقهبندی تصویر بهطور گستردهای در برنامههای کاربردی دیگر مانند برنامهریزی شهری، مدیریت منابع طبیعی، کشاورزی و غیره استفاده میشود. از آنجا که هدف اصلي از پردازش تصاوير ماهوارهاي، تهيه نقشههاي موضوعي و کارآمد ميباشد، از اینرو انتخاب الگوريتم مناسب طبقهبندي نقش زيادي را در اين امر ايفا ميکند. اين مطالعه کارايي الگوريتمهاي ماشين بردار پشتيبان (SVMs) را در طبقهبندي تصاوير ماهوارهاي مورد بررسي و آن را با الگوریتم شبکه عصبی مصنوعی مورد مقایسه قرار ميدهد. ماشينهاي بردار پشتيبان يک گروه از الگوريتمهاي طبقهبندي نظارت شده يادگيري ماشيني هستند که در زمينه سنجش از دور مورد استفاده قرار گرفتهاند. در اين مطالعه، الگوريتمهاي SVM براي طبقهبندي کاربري اراضي منطقه میمه با استفاده از دادههاي ETM + لندست مورد استفاده قرار گرفته است. طبقهبندي با استفاده از روش ماشينهاي بردار پشتيبان، بصورت خودکار و با استفاده از سه نوع کرنل خطي، چند جملهاي و شعاعي اجرا شده است. در ضمن، کارکرد اين روش با روش طبقهبندي شبکه عصبی مصنوعی مقايسه شده است. نتايج نشان ميدهد که میانگین دقت کل و ضريب کاپا الگوريتمهاي SVM شامل کرنل خطي، چند جملهاي و شعاعي نسبت به روش طبقهبندي شبکه عصبی مصنوعی از نظر دقت کل (حدود 9%) و ضريب کاپا (حدود 12%) برتري دارد. بنابراين اين مطالعه کارايي و قابليت الگوريتمهاي SVM را در طبقهبندي تصاوير سنجش از دور اثبات ميکند.
Keywords:
- Correction
- Source
- Cite
- Save
- Machine Reading By IdeaReader
0
References
0
Citations
NaN
KQI