ارزيابي كارايي چهار روش شبكه‌ي عصبي مصنوعي در تهيه‌ي نقشه‌ي پوشش/كاربري اراضي با استفاده از تصاوير ماهواره اي ETM+ مطالعه موردي: سه منطقه دويرج، مهران و سرابله

Evaluating the Efficiency of Four Artificial Neural Network Methods in Preparing Land Cover/Land Use Map Using ETM+ Data Case study: Doiraje, Mehran and Sarableh

نقشه‌هاي پوشش/كاربري اراضي حاصل از تصاوير ماهواره‌اي نقش مهمي در ارزيابي‌هاي منطقه‌اي و ملي پوشش/كاربري اراضي ايفا مي‌كنند. طيّ سال هاي گذشته، كاربردهاي زيادي از روش هاي طبقه بندي شبكه عصبي مصنوعي براي طبقه بندي پوشش/كاربري اراضي در منابع گزارش شده است، اما مطالعات معدودي، مقايسه‌ي آنها با هم را ارزيابي نموده اند. در اين مطالعه، ابتدا تصحيحات هندسي بر روي داده هاي + ETM صورت گرفت. سپس با بازديدهاي ميداني، طبقات مختلف پوشش/كاربري اراضي تعريف و نمونه هاي آموزشي انتخاب گرديد. در اين مطالعه، هدف اصلي مقايسه‌ي چهار روش شبكه‌ي عصبي مصنوعي براي طبقه بندي پوشش سطح زمين در سه منطقه‌ي مهران (مركز استان ايلام)، دويرج (جنوب استان ايلام) و سرابله (شمال استان ايلام) با شرايط اقليمي متفاوت مي باشد. در اين مطالعه، از روش‌هاي شبكه‌ي عصبي مصنوعي آرتمپ فازي، تابع پايه شعاعي، كوهونن و پرسپترون چند لايه استفاده شده است. نتايج ارزيابي دقت تصاوير طبقه بندي شده نشان داد كه روش طبقه بندي آرتمپ فازي با دقت كل متوسط 84/9? و ضريب كاپاي متوسط 93/0 درصد داراي بيشترين دقت نسبت به ساير روش هاي بررسي شده مي باشد. اختلاف دقت كل متوسط در اين روش نسبت به روش تابع پرسپترون 44/11 و اختلاف ضريب كاپا متوسط 18/0 درصد، نسبت به روش كوهونن به ترتيب 3/17 و 23/0 درصد و نسبت به روش پايه شعاعي 01/31 و 36/0 درصد مي باشد. در اين تحقيق، بالاترين دقت طبقه بندي مربوط به طبقه بندي شبكه‌ي عصبي مصنوعي آرتمپ فازي بود. بنابراين اين مطالعه كارايي و قابليت روش شبكه‌ي عصبي مصنوعي آرتمپ فازي را در طبقه بندي بهتر تصاوير سنجش از دور اثبات مي نمايد.

Land use/cover maps resulting of satellite images play an important role in assessing the land use/ land cover at regional and national levels. Over the last years, many applications of neural network classifiers for land use classification have been reported in the literature, but afew studies have assessed their comparison. In this study, firstly, geometric correction was performed on ETM+ data. Then, with field surveyings, the various land cover classes were defined and training areas were selected. The main Objective of this study is to compare four artificial neural network methods for land cover classification in Doiraj, Mehran and Sarableh region of Ilam province with various climatic conditions. In this study, we have used four artificial neural networks methods of Fuzzy Artmap, multi-layer perceptron, Kohonen and radial basis function. The results obtained of accuracy assessment of classified images showed that fuzzy Artmap classification algorithm with the overall accuracy 94.84 and kappa coefficient 0.93% have the highest accuracy than other methods. Accuracy overall difference in this approach than multi-layer percepteron method was 11.44 and Kappa coefficient 0.18, Compared to kohonenʹs 17.30 and 0.23% and rather than radial basis function 31.01 and 0.36%, respectively. In this study, the highest accuracy was related to fuzzy Artmap artificial neural network. Therefore, this study proves the efficiency and capability of fuzzy Artmap neural network algorithm in classification of remote sensing images.