مقايسه دو روش طبقه بندي حداكثر احتمال و شبكه ي عصبي مصنوعي در استخراج نقشه ي كاربري اراضي مطالعه موردي: حوزه سد ايلام

مقايسه دو روش طبقه بندي حداكثر احتمال و شبكه ي عصبي مصنوعي در استخراج نقشه ي كاربري اراضي مطالعه موردي: حوزه سد ايلام

يكي از ضروري‌ترين اطلاعات مورد نياز مديران و متوليان منابع طبيعي، نقشه‌هاي كاربري اراضي مي‌باشد. داده‌هاي ماهواره‌اي، به جهت ارايه¬ي اطلاعات به هنگام و رقومي، تنوع اشكال و امكان پردازش در تهيه¬ي نقشه¬هاي كاربري اراضي از اهميت بالايي برخوردارند. از سويي ديگر در سال¬هاي اخير به طور وسيع و گسترده جهت طبقه¬بندي تصاوير ماهواره¬اي از روش¬هاي طبقه¬بندي پيشرفته از قبيل شبكه¬هاي عصبي مصنوعي، مجموعه¬هاي فازي و سيستم¬هاي هوشمند استفاده مي¬شود. هدف اصلي اين تحقيق مقايسه¬ي دو روش مختلف جهت طبقه¬بندي كاربري اراضي با استفاده از تصاوير ASTER مي¬باشد. بدين منظور با استفاده از تصوير ماهواره¬اي ASTER و دو الگوريتم طبقه¬بندي نظارت¬شده شامل حداكثر احتمال و شبكه¬ي عصبي مصنوعي، نقشه¬ي كاربري اراضي تهيه گرديد. در طبقه¬بندي با استفاده از الگوريتم شبكه¬ي عصبي از يك -شبكه¬ي پرسپترون با يك لايه¬ي پنهان و 14 نرون ورودي، 9 نرون مياني و 6 نرون خروجي استفاده شده است كه تعداد نرون¬هاي ورودي همان تعداد باندهاي تصوير ماهواره¬اي ASTER و تعداد نرون¬هاي خروجي همان تعداد كلاس¬هاي نقشه¬ي كاربري اراضي مي¬باشد. براي آموزش شبكه نيز از الگوريتم انتشار برگشتي استفاده شده است. نتايج حاصل از ارزيابي دقت اين دو روش با استفاده از تعيين ضريب كاپا نشان داده است كه الگوريتم شبكه¬ي عصبي با ضريب 86/0 نسبت به الگوريتم حداكثر احتمال با ضريب 69/0 از دقت بيشتري برخوردار است. نتايج اين مطالعه همچنين نشان مي¬دهد الگوريتم¬¬هاي سنتي طبقه¬بندي مانند روش¬هاي آماري به ¬خاطر انعطاف¬پذيري پايين و انواع پارامتريك آن مانند روش حداكثر احتمال به¬خاطر وابستگي به مدل آمار گوسي نمي¬توانند نتايج بهينه¬اي، در صورت نرمال نبودن داده¬هاي آموزشي فراهم آورند در حاليكه دليل موفقيت الگوريتم شبكه¬ي عصبي مصنوعي در سنجش از دور اين است كه مي¬تواند داده¬هايي با منابع مختلف را با هم تلفيق نمايد.

One of the most necessary information required by the managers and custodians of natural resources are land use maps. Satellite data, for owning characteristics such as presenting on time and digit information, variable forms and process ability have a great role in providing land use maps. In the other hand, during the recent years, advanced classification methods including artificial neural networks, fuzzy sets and intelligent systems are widely used for classification of satellite photos. The main objective of this research would be comparing the two different methods of classification for land use by the use of ASTER photos. For this reason, by using ASTER satellite photos and two supervised classified algorithms including maximum likelihood and artificial neural network, the land use map was prepared. In classification with neural network algorithm, a Perceptron network with a hidden layer, 14 input neurons ‘9 middle neurons and 6 output neurons have been used for classification by neural network algorithm, in which the number of input neurons are the same number of ASTER satellite photo bands and the number of output neurons are the same number of classes for land use map. For network training, back propagation algorithm has been used. The results obtained from accuracy evaluation of these two methods by the use of Kappa coefficient showed that neural network algorithm with coefficient 0.86 in comparing with maximum likelihood algorithm with coefficient 0.69 was more accurate. The results of this study show that traditional classification algorithms like statistical methods for its low flexibility and its different parametric types like maximum likelihood methods for their depending on Gaussian model cannot provide optimized results in case of abnormality of educational data, while the reason of success of artificial neural network algorithm in remote sensing is that it is able to integrate data with different resources.