ارزیابی دقت

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.

برآورد دقیق خصوصیات کمّی و کیفی پدیده های طبیعی مستلزم صرف زمان و هزینه زیاد است. در این راستا، درون یابی روشی کارآمد شناخته شده است که، با ارائه و تعمیم مقادیر نقطه ای به سطح، صرفه جویی در وقت و هزینه را فراهم کرده است. الگوریتم هایِ مختلفِ درون یابی مدل سازیِ مقادیر را مقدور می سازد که گام مهمی در مدیریت منابع محسوب می شود. با توجه به اینکه صحت داده های ورودی در تحلیل ها و تصمیم گیری ها از اهمیت خاصی برخوردار است، در تحقیق حاضر به ارزیابی دقت حاصله استفاده از 10 الگوریتم مختلف درون یابی در تخمینِ مقادیر بارش پرداخته شده است. در این تحقیق از Cross - Validation به منظور مقایسه الگوریتم های مختلف استفاده شده است. همچنین، مدل ها با استفاده از ریشه متوسط مربع خطا (RMSE)، میانگین خطای مطلق (MAE)، معیار اریب خطا (MBE)، و ضریب تبیین (R2) مقایسه آماری شده اند. نتایج به دست آمده از ارزیابی دقت نشان می دهد که روش Ordinary Kriging با مدل تابع Circular با 0.05- MBE=، 53.37MAE=، 77.31RMSE=، و 0.70 R2 = نسبت به سایر مدل ها از اعتبار بیشتری برخوردار است و مناسب ترین روشِ درون یابیِ پراکنش مقادیر بارش در استان کردستان است. با توجه به ماهیت مقایسه ای این تحقیق، نتایج آن برای شناسایی روش های بهینه درون یابی پراکنش بارش در مناطق کوهستانی از اهمیت بسیاری زیادی برخوردار است.

ارزیابی دقت نتایج حاصل از طبقه بندی تصاویر ماهواره ای بسیار حائز اهمیت است. تاکنون پارامترهای متعددی برای بیان دقت طبقه بندی تصاویر مورد استفاده قرار گرفته اند. دو نمونه از متداول ترین پارامترها، ضریب کاپا و دقت کلی می باشند. بعضی از محققین ایراداتی به این پارامترهای متداول وارد کرده و پارامترهای جدیدی ارائه نموده اند و معتقدند این پارامترها، معایب پارامترهای متداول را ندارند. در این تحقیق رابطه دو مورد از این پارامترهای جدید ارزیابی دقت طبقه بندی با پارامترهای متداول مورد بررسی قرار گرفته است. این دو پارامتر مغایرت کمی و مغایرت تخصیصی نام گذاری شده اند که میزان عدم شباهت را گزارش می نمایند. به منظور بررسی رفتار این دو پارامتر طبقه بندی نظارت شده روی 57 تصویر شامل سه دسته از تصاویر با قدرت تفکیک متوسط، قدرت تفکیک بالا و قدرت تفکیک خیلی بالا انجام شد. سپس ضریب کاپا و دقت کلی به عنوان پارامترهای متداول، و مغایرت کمی و مغایرت تخصیصی به عنوان پارامترهای جدید برای هر تصویر طبقه بندی شده محاسبه شده و همبستگی مقادیر به دست آمده با یکدیگر بررسی گردید. نتایج به دست آمده در این تحقیق نشان می دهند که میزان همبستگی بین این دو دسته پارامتر بالا ولی در جهت منفی است؛ به عبارت دیگر با افزایش مقادیر یک دسته، مقادیر دسته دیگر کاهش می یابد. به این ترتیب پارامترهای مغایرت اطلاعات جدیدی را درباره نتایج طبقه بندی به کاربر ارائه نمی دهند و تنها و در صورتی که خطای طبقه بندی خواسته شود، می توان از پارامترهای مغایرت نیز درکنار آن ها استفاده نمود.

از جمله عوامل مهم در برنامه ریزی و مدیریت شهری، به ویژه در راستای نیل به توسعه ی پایدار در نواحی شهری و استفاده بهینه از سرزمین، اطلاع بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده های سنجش از دور به جهت ارائه ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش پتانسیل بالایی برای تهیه ی نقشه های به روز کاربری اراضی شهری دارند. در این تحقیق با استفاده از تصویر ماهواره ای Landsat/ETM + و دو الگوریتم طبقه بندی نظارت شده شامل حداکثر احتمال و شبکه عصبی مصنوعی، نقشه کاربری اراضی تهیه و با یکدیگر مقایسه گردید. در طبقه بندی با استفاده از الگوریتم شبکه عصبی از یک شبکه پرسپترون با یک لایه پنهان و 7 نرون ورودی، 9 نرون میانی و 4 نرون خروجی استفاده شده است که تعداد نرون های ورودی همان تعداد باندهای تصویر ماهواره ای لندست و تعداد نرون های خروجی همان تعداد کلاس های نقشه کاربری اراضی می باشد. در نهایت نقشه پوشش اراضی منطقه به چهار طبقه ی مناطق مسکونی، اراضی بایر، پوشش گیاهی و جادّه طبقه بندی شد. برای ارزیابی صحّت نتایج طبقه بندی، برداشت های زمینی با استفاده از GPS انجام گرفت. نتایج حاصل از ارزیابی دقت این دو روش با استفاده از صحت کلی و ضریب کاپا نشان داده است که الگوریتم شبکه عصبی پرسپترون با دقت کلی 24/98 و ضریب کاپای 9703/0 نسبت به الگوریتم حداکثر احتمال با دقت کلی 23/94 و ضریب کاپای 9034/0 از دقت بیش تری برخوردار است. همچنین در این تحقیق ارزیابی شد که روش طبقه بندی شبکه ی عصبی پرسپترون چند لایه، نسبت به روش حداکثر احتمال، از توان تفکیک و قابلیت بیش تری برای تهیه ی نقشه پوشش اراضی در مناطق شهری برخوردار می باشد.