ارزيابي الگوريتمهاي طبقه بندي شبكه هاي عصبي و حداكثرهمانندي براي استخراج پوشش گياهي ديم با استفاده از تصاوير ماهوارهاي IRS در حوضه كشور

كشت ديم از جمله پوشش هاي گياهي ميباشد كه درتصاوير ماهوار هاي از نظر ويژگي هاي طيفي، رفتاري كاملاً پيچيده و غيرخطي از خود نشان مي دهند و براحتي نمي توان با خصوصيات طيف يشان آنها را از هم تميز داد. لذا مي توان از داده هاي كمكي مانند بافت و شيب، جهت افزايش دقت تفكيك پذيري در كنار داده هاي طيفي استفاده نمود. در اين تحقيق از الگوريتم طبقه بندي شبكه عصبي مصنوعي به دليل محدود نبودن به مقياس اندازه گيري يا توزيع آماري داده ها، در فرآيند طبقه بندي استفاده گرديد. از سوي ديگر، روش حداكثر همانندي قابل اعتمادترين روش طبقه بندي آماري بوده كه وابسته به توزيع آماري داده هاي ورودي مي باشد كه مشخصات آماري داده ها را در تابع تفكيك كننده اش جهت طبقه بندي تصاوير ماهواره اي در فضاي چند طيفي بكار مي برد. لذا در اين تحقيق، دقت اين دو الگوريتم جهت استخراج اراضي ديم ارزيابي مي گردد. منطقه مورد مطالعه قسمتي از حوضه كشور كه داراي مساحتي حدود 140 كيلومتر مربع بوده، و از حيث جغرافيايي درجنوب شرقي شهر خرم آباد قرار گرفته است. اين تحقيق از سه مرحله تشكيل شده است. مرحله اول استخراج ويژگي هاي بافتي (واريانس، كنتراست، انتروپي و انرژي) با استفاده از هيستوگرام مرتبه دوم و تهيه نقشه شيب با تعيين آستانه هاي مناسب بود. در مرحله دوم، طبقه بندي تصوير با الگوريتم هاي شبكه عصبي پرسپترون و حداكثر همانندي انجام شد، كه شبكه با سه لايه، شامل پانزده نرون در لايه ورودي (دوازده ويژگي بافتي و سه ويژگي طيفي)، هفت نرون در لايه مياني و شش نرون در لايه خروجي(شش كلاس) تشكيل شد. در مرحله سوم نتايج ماتريس خطا و ضرائب كاپا نشان داد كه طبقه بندي شبكه عصبي پرسپترون با انضمام ويژگي هاي بافت نسبت به الگوريتم حداكثرهمانندي از دقت بالاتري برخوردار است. و ملاحظه شد كه دقت طبقه بندي اراضي ديم از 68,41 درصد در حداكثر همانندي به 75 درصد در شبكه هاي عصبي افزايش يافته است.