تهيه نقشه كاربري اراضي با استفاده از روش شبكه عصبي مصنوعي (مطالعه موردي: حوزه آبخيز كبودرآهنگ، رزن و خونجين- تلخاب در استان همدان)

Land use mapping using artificial neural network (Case study: Kaboudarahang, Razan and Khonjin- Talkhab catchment in Hamedan province)

تهيه نقشه پوشش اراضي، براي بسياري از فعاليت هاي برنامه ريزي و مديريت داراي اهميت است. امروزه تصاوير ماهواره و تكنيك هاي سنجش از دور، به دليل فراهم آوردن داده-هاي به هنگام و قابليت بالاي آناليز تصاوير، كاربرد گسترده اي در تمامي بخش ها از جمله كشاورزي و منابع طبيعي دارند. در پژوهش حاضر، به منظور تهيه نقشه پوشش اراضي بخشي از استان همدان از داده هاي رقومي ماهواره IRSP6 (سري زماني سنجنده Awifs) استفاده شد. ابتدا تصاوير با ميانگين خطاي مربعات كمتر از 48/0 پيكسل تصحيح هندسي شدند. جهت طبقه بندي تصوير، از روش طبقه بندي شبكه عصبي مصنوعي پرسپترون سه لايه با به كارگيري نقشه شاخص گياهي(NDVI)به عنوان داده كمكي استفاده شد. در نهايت، نقشه پوشش اراضي منطقه با 13 طبقه، تهيه گرديد. جهت ارزيابي صحت نتايج طبقه بندي، نقشه توليدي با نقشه واقعيت زميني ايجاد شده از طريق GPS مورد بررسي قرار گرفت. ضريب كاپا و صحت كلي طبقه بندي به روش شبكه عصبي به ترتيب 86 و 88 درصد برآورد گرديد. مطالعه حاضر نشان داد كه روش طبقه بندي شبكه عصبي، قابليت تهيه نقشه پوشش اراضي و الگوي كشت با صحت بالا را دارا مي باشد.

Land cover mapping is important for much planning and management activities. Today, satellite images and remote sensing techniques are extensively used in all sectors, including agriculture and natural resources because they provide updated data and high analyzing abilities. In this study, in order to produce the land cover maps for part of Hamedan province, digital satellite data IRSP6 (Awifs time series data) was used. First, satellite images with geometric correction of a mean square error of less than 0.48 pixels were applied. For image classification, Perceptron’s classification method of artificial neural network with three layers was used, employing vegetation index maps (NDVI) as auxiliary data. Finally, the land cover map of the study region was classified into thirteen classes. To assess the classified land cover map precision, it was controlled for ground truths with a GPS. Kappa coefficient and overall classification accuracy of neural network methods were estimated 86 and 88 percent, respectively. The results confirmed that the neural network classifier was capable of generated land cover maps and cultivation‎ pattern‎ with high accuracy.