شماره ركورد كنفرانس :
5268
عنوان مقاله :
طبقه بندي پوشش زمين كاربري زمين توسط طبقه بندي كننده هاي يادگيري ماشين براي مشاهدات ماهواره اي
عنوان به زبان ديگر :
Land cover classification by machine learning classifiers for satellite observations
پديدآورندگان :
جعفري سيريزي روح اله rouholla.jafari.sirizi@gmail.com دانشگاه شهيد بهشتي تهران , بهادري محبوبه bahadori.mahbbobeh@outlook.com شهرداري شيراز
كليدواژه :
طبقه بندي , سنجش از دور , الگوريتم
عنوان كنفرانس :
يازدهمين كنفرانس ملي مهندسي عمران، معماري و توسعه شهري پايدار ايران
چكيده فارسي :
اين مقاله يك مقاله مروري است، كه در آن شش الگوريتم يادگيري ماشيني، يعني جنگل تصادفي (RF)، ماشين بردار پشتيبان (SVM)، شبكه عصبي مصنوعي (ANN)، نقشه‌برداري پيش‌بيني‌شده با نظارت تئوري تشديد تطبيقي فازي (ARTMAP فازي)، نگاشت زاويه طيفي (SAM) و فاصله ماهالانوبيس (MD) مورد بررسي قرار گرفت. در مطالعه اي توسط تالوكادر و همكاران (2020) ارزيابي دقت اين روش ها با استفاده از ضريب كاپا، منحني عملياتي گيرنده (RoC)، اعتبار سنجي مبتني بر شاخص و ريشه ميانگين مربعات خطا (RMSE) انجام شد. نتايج ضريب كاپا نشان داد كه تمامي طبقه‌بندي‌كننده‌ها داراي سطح دقت يكسان با تغييرات جزئي هستند، اما الگوريتم RF داراي بيشترين دقت 0.89 و الگوريتم MD (طبقه‌بند پارامتريك) كمترين دقت 0.82 است. علاوه بر اين، LULC مبتني بر شاخص و اعتبار متقابل بصري نشان داد كه الگوريتم RF (همبستگي بين RF و شاخص آب تمايز نرمال شده، شاخص تمايز نرمال شده گياهي و شاخص تمايز نرمال شده به ترتيب 0.96، 0.99 و 1، در 0.05 است. سطح معني داري) بالاترين سطح دقت را در مقايسه با ساير طبقه بندي كننده هاي اتخاذ شده دارد. يافته‌هاي ادبيات همچنين ثابت كرد كه الگوريتم‌هاي ANN و RF بهترين طبقه‌بندي‌كننده‌هاي LULC هستند، اگرچه طبقه‌بندي‌كننده غيرپارامتري مانند SAM (ضريب كاپا 0.84؛ سطح زير منحني (AUC) 0.85) سطح دقت بهتر و ثابتي نسبت به ماشين‌هاي ديگر دارد. نتايج بررسي تالوكادر و همكاران نشان داد كه الگوريتم RF بهترين طبقه‌بندي كننده LULC يادگيري ماشيني، در ميان شش الگوريتم مورد بررسي است.
