مطالب مرتبط با کلید واژه " SVM "


۱.

افزایش دقت در طبقه بندی کاربری و پوشش اراضی مبتنی بر شاخص های قابل استخراج از واریوگرام در تصاویر ماهواره ای

تعداد بازدید : ۷۳۶ تعداد دانلود : ۳۴۴
در طبقه بندی تصاویر، از اطلاعات بافت و واریانس استفاده شده؛ ولی اطلاعات قابل استخراج از واریوگرام کمتر به کار رفته و به تغییرات زمانی واریوگرام کمتر توجه شده است. در این تحقیق، برای تهیة نقشة کاربری و پوشش اراضی منطقة دهگلان واقع در استان کردستان، از تصاویر چند زمانة SPOT و ASTER استفاده شده است. مجموعه ای از شاخص های استخراج شده از واریوگرام معرفی، و پاره ای شاخص جدید استخراج شده و روش SVM برای طبقه بندی به کار رفته است. به طور کلی، این تحقیق در دو مرحله انجام شده است: 1- طبقه بندی باندهای طیفی؛ 2- طبقه بندی باندهای طیفی به همراه پارامترهای استخراج شده از واریوگرام. پس از ارزیابی دقت و مقایسة آن ها، شاخص های مناسب معرفی شده است. بعضی از شاخص ها باعث افزایش دقت اکثر کلاس ها می شوند و برخی از آن ها هم در بعضی کلاس ها بی تأثیرند که این ها را می توان شاخص های عمومی قلمداد کرد. برخی از شاخص ها نیز باعث افزایش دقت برخی کلاس ها و کاهش دقت برخی دیگر از آن ها می شوند که به آن ها شاخص های تخصصی می گویند. بررسی ها نشان می دهد هنگام استفاده از شاخص های استخراج شده از واریوگرام، دقت کلی حدود4 درصد و دقت در برخی از کلاس ها بیش از 9 درصد افزایش می یابد و دقت کلی از 88/98 درصد به 744/92 می رسد.
۲.

مقایسه روش های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای)

کلید واژه ها: ANNکاربری اراضیSVMلندست 8شاخص های گیاهی و خاک بایر

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۷۷۴ تعداد دانلود : ۲۷۵
تهیه نقشه کاربری و پوشش اراضی برای برنامه ریزی و مدیریت منابع طبیعی امری ضروری می باشد. در این بین استفاده از داده های سنجش از دور با توجه به ارائه اطلاعات به روز، پوشش تکراری، کم هزینه بودن در ارزیابی منابع طبیعی جایگاه خاصی دارد. لذا در این پژوهش، تصاویر لندست 8 به عنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح 2و1 مورد استفاده قرار گرفت. در این بین، با توجه به جدید بودن این تصاویر، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل از نرم فزار Erdas فرمول نویسی شد. هم چنین از شاخص های گیاهی NDVI، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفه های اصلی (PCA) به عنوان ورودی در کنار دیگر باندها ب رای افزایش دقت طبقه ب ندی مورد استفاده قرار گرفت. از طرفی توابع کرنل ها و رتبه های چندجمله ای روش ماشین بردار پشتیبان (SVM) مورد ارزیابی قرار گرفت و بهترین نتیجه این روش با روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش ماشین بردار پشتیبان 92٪ با ضریب کاپا 91/0 و روش شبکه عصبی 89٪ با ضریب کاپا 87/0 می باشد هم چنین جایی که کلاس ها رفتار طیفی مشابهی را از خود نشان می دهند روش SVM کارایی بهتری از خود نشان می دهد.
۳.

ارزیابی عملکرد الگوریتم های ماشین بردار پشتیبان و حداکثر احتمال در تهیة نقشة کاربری اراضی جنگل های رودخانه ای با استفاده از سنجندة OLI (منطقة مورد مطالعه: جنگل های رودخانه ای مارون بهبهان)

کلید واژه ها: SVMMLCجنگل های رودخانه ایسنجندة OLIطبقه بندیمارون بهبهان

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
تعداد بازدید : ۷۰ تعداد دانلود : ۴۳
تهیة اطلاعات دقیق و به روز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را می توان به آسانی و با صرف هزینه و زمان کمتر، از راه طبقه بندی داده های دورسنجی تهیه کرد. در این مطالعه به منظور ارزیابی عملکرد الگوریتم های ماشین بردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگل های رودخانه ای، از داده های ماهواره لندست 8 استفاده شد. برای این کار، پنجره ای از تصاویر چندطیفی سنجندة OLI جنگل های رودخانة مارون بهبهان، در استان خوزستان، انتخاب شد. پس از عملیات پیش پردازش، شامل رفع خطای رادیومتریک و تصحیح اتمسفریک، طبقه بندی تصاویر به روش نظارت شده و با استفاده از الگوریتم های حداکثر احتمال و ماشین بردار پشتیبان و با هفت کلاس کاربری جنگل، مرتع، کشاورزی، آیش، رودخانه، مسکونی و جاده، و همچنین سه کلاس کاربری جنگل، رودخانه و دیگر مناطق، روی مجموعة باندهای اصلی صورت پذیرفت. برای ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان، از سه گروه نمونة تعلیمی با تعداد 241، 141 و 41 نمونه و همچنین از چهار هستةخطی، چندجمله ای، شعاعی و حلقوی استفاده شد. نتایج حاصل نشان داد که تهیة نقشة طبقه بندی جنگل های رودخانه ای مارون و تفکیک کاربری ها با استفاده از تصاویر سنجندة OLI امکان پذیر است و بهترین نتیجه مربوط به طبقه بندی، با استفاده از الگوریتم - PolynomialSVM در باندهای اصلی سنجندة OLI و با سه کلاس کاربری و صحت کلی 24/99 و ضریب کاپای 97/0 است. همچنین مشخص شد که با کاهش تعداد کلاس ها از هفت به سه، کاربری صحت طبقه بندی افزایش می یابد ولی با کاهش تعداد نمونه ها تا حد میانگین، تغییر محسوسی در کیفیت طبقه بندی رخ نمی دهد و در صورت کاهش زیاد تعداد نمونه ها، از صحت طبقه بندی نیز کاسته می شود.
۴.

ارزیابی کارآیی شاخص های طیفی پوشش گیاهی پهن باند در پیش بینی شرایط خشکسالی در ایران

تعداد بازدید : ۱۶ تعداد دانلود : ۱۱
ایران یکی از کشورهای خشک و نیمه خشک به شمار می رود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانی مدت در پهنه وسیعی از کشور یکی از بزرگ ترین مشکلات برای مشاهده و پیش بینی کوتاه مدت خشکسالی در ایران است. در این مقاله، با به کار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از داده های 42 ایستگاه سینوپتیک منتخب در ایران، عملکرد شاخص های پوشش گیاهی طیفی پهن باند NDVI، NDVI-DEV، VCI و TCI در پیش بینی خشکسالی بررسی شد. بدین منظور، از شاخص خشکسالی (SPI) برای بیان خشکسالی استفاده شد که نشان دهنده شدت و دوره خشکسالی، از سال 1985 تا 2008 است. شاخص های پوشش گیاهی یادشده از تصاویر سنجنده NOAA-AVHRR محاسبه و استخراج شدند. این شاخص ها، به صورت ورودی، به مدل SVM وارد شدند و مقادیر SPI را به دست دادند. با این روش، شاخص های TCI و NDVI، به ترتیب، دارای بالاترین و پایین ترین همبستگی با شرایط خشکسالی شناخته شدند