| تعداد نشریات | 287 |
| تعداد نشریات سازمان | 85 |
| تعداد شمارهها | 3,159 |
| تعداد مقالات | 35,108 |
| تعداد مشاهده مقاله | 50,526,969 |
| تعداد دریافت فایل اصل مقاله | 90,476,648 |
ارزیابی کارایی الگوریتمهای ماشین بردار پشتیبان جهت طبقهبندی کاربری اراضی با استفاده از دادههای ماهوارهای ETM+ لندست (مطالعه موردی: حوزه سد ایلام) | ||
| تحقیقات مرتع و بیابان ایران | ||
| مقاله 6، دوره 18، شماره 3، آذر 1390، صفحه 420-440 اصل مقاله (651.11 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijrdr.2011.102175 | ||
| نویسندگان | ||
| صالح آرخی* 1؛ مصطفی ادیب نژاد2 | ||
| 1استادیار، گروه منابع طبیعی، دانشکده کشاورزی، دانشگاه ایلام | ||
| 2کارشناس جنگلداری، دانشکده کشاورزی گنبد، دانشگاه علوم کشاورزی و منابع طبیعیگرگان | ||
| چکیده | ||
| طبقهبندی کاربری اراضی با استفاده از تصاویر سنجش از دور یکی از مهمترین کاربردهای سنجش از دور است و بسیاری از الگوریتمها برای این منظور توسعه یافتهاند. این مطالعه کارایی الگوریتمهای ماشین بردار پشتیبان[1](SVMs) را در طبقهبندی تصاویر ماهوارهای مورد بررسی قرار میدهد. ماشینهای بردار پشتیبان یک گروه از الگوریتمهای طبقهبندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورد استفاده قرار گرفتهاند. دقت طبقهبندی حاصل از SVMs باتوجه به نوع تابع کرنل متغیر است. در این مطالعه، الگوریتمهای SVM برای طبقهبندی کاربری اراضی حوزه سد ایلام با استفاده از دادههای ETM+ لندست مورد استفاده قرار گرفته است. طبقهبندی با استفاده از روش ماشینهای بردار پشتیبان، بصورت خودکار و با استفاده از چهار نوع کرنل خطی[2]، چندجملهای[3]، شعاعی[4] و حلقوی[5] اجرا شده است. در ضمن، کارکرد این روش با روش طبقهبندی حداکثر احتمال مقایسه شده است. نتایج نشان میدهد که الگوریتمهای SVM خصوصاً سه کرنل خطی، چندجملهای و شعاعی نسبت به روش طبقهبندی حداکثر احتمال از نظر دقت کل (حدود 10%) و ضریب کاپا (حدود 15%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتمهای SVM را در طبقهبندی تصاویر سنجش از دور اثبات مینماید. | ||
| کلیدواژهها | ||
| طبقهبندی نظارت شده؛ کاربری اراضی؛ روش حداکثر احتمال؛ ماشینهای بردار پشتیبان؛ حوزه سد ایلام | ||
| عنوان مقاله [English] | ||
| Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment) | ||
| نویسندگان [English] | ||
| Saleh Arekhi1؛ Mostafa Adibnejad2 | ||
| چکیده [English] | ||
| Land use classification using remotely sensed images is one of the most common applications in remote sensing, and many algorithms have been developed and applied for this purpose in the literature. This study investigates the efficiency of Support Vector Machines algorithms in image classification. Support Vector Machines (SVMs) are a group of supervised classification algorithms of machine learning that have been used in the remote sensing filed. The classification accuracy produced by SVMs may show variation depending on the choice of the kernel function. In this study, SVMs were used for land use classification of Ilam dam catchment using Land sat ETM+ data. The classification using SVM method was implemented automatically by using four kernel types, linear, polynomial, radial basis, sigmoid and the results were analyzed thoroughly. Results showed that SVMs, especially with use of radial, polynomial and linear function kernels, outperform the maximum likelihood classifier in terms of overall (about 10%) and kappa coefficient(about 15%) accuracies. So, this study verifies the efficiency and capability of SVMs in classification of remote sensed images. | ||
| کلیدواژهها [English] | ||
| Supervised Classification, land use, Maximum likelihood method, support vector machines, Ilam Dam catchment | ||
|
آمار تعداد مشاهده مقاله: 1,857 تعداد دریافت فایل اصل مقاله: 1,349 |
||