پديد آورندگان :
صديقي, محمد دانشگاه ازاد اسلامي واحد تهران جنوب , شاهرخ اميني, امير دانشگاه ازاد اسلامي واحد تهران جنوب - گروه مهندسي نقشهبرداري
كليدواژه :
بردار پشتيبان , طبقه بندي پوشش زمين , طبقه بندي عوارض , ضريب كاپا و مديريت منابع
چكيده فارسي :
بحران كمبود آب موجود در جهان، مديريت آب در بخش‌هاي مختلف از جمله حوضه‌هاي آبي و كشاورزي را تحت تاثير قرار داده است. حوضه‌هاي آبي و زمين‌هاي اطراف آن‌ها درطول سال‌هاي اخير با چالش‌هاي جدي از قبيل خشك‌شدن درياچه‌ها و رودها، بيلان منفي آبخوان‌ها، تغييرات كاربري زمين‌هاي اطراف، افزايش سطح زيركشت اراضي زراعي آبي و باغي و تغيير الگوي كشت از سمت محصولات كم‌مصرف به محصولاتي با نياز آبي بالا مواجه شده‌اند. استفاده از تصاوير ماهواره‌اي به‌دليل پوشش وسيع مكاني، قدرت تفكيك بالا، هزينه كم، آرشيو زماني غني تصاوير ماهواره‌اي و سهولت روش‌هاي تعيين كاربري، ابزاري مناسب و كارآمد براي كمك به مديريت منابع آب و خاك است. در اين پژوهش، چهار طبقه خاك، آب و مناطق مرطوب، شهري و كشاورزي انتخاب شده‌اند. سپس، از دو روش طبقه‌بندي جنگل تصادفي و ماشين‌هاي بردار پشتيبان، براي طبقه‌بندي تصاوير استفاده شده است. روش‌هاي طبقه‌بندي با محاسبه دو شاخص دقت كلي و ضريب كاپا با استفاده از داده‌هاي تست بررسي شدند. طبقه‌بندي جنگل تصادفي در چهار سال 2012، 2014، 2016 و 2018 و طبقه‌بندي ماشين‌هاي بردار پشتيبان در دو سال 2008 و 2010 بالاترين دقت را دارند. بنابراين، الگوريتم جنگل تصادفي در تفكيك طبقه‌ها به‌خصوص حوضه آبي به‌خوبي عمل كرده است و مي‌توان به‌عنوان روشي قابل اعتماد از آن در اين حوضه بهره برد
چكيده لاتين :
The global water scarcity crisis is affecting water management in various sectors, including water and agriculture. Aquatic basins and their surrounding areas have been encountered with serious challenges such as drying up of lakes and rivers, negative aquifer balance, changes in surrounding land use, increased cultivation of irrigated and horticultural lands, and changes in the pattern of cultivation from low-crop to high-water crops in recent years. Satellite imagery due to its wide spatial coverage, high resolution, low cost, rich time archive of satellite imagery and ease of use methods is a useful and efficient tool to help manage water and soil resources. In this study, four classes of soil, water and wet, urban and agricultural areas were selected. Then, two random forest classification methods and support vector machines are used to classify images. Classification methods were evaluated by calculating two indices of accuracy and Kappa coefficient using test data. The random forest classification in the four years, 2012, 2014, 2016 and 2018 and classification of support vector machines in two years, 2008 and 2010 have the most accuracy. Therefore, the random forest algorithm has worked well in separating the classes, especially in water basin, and can be used as a reliable method in this area.
