به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

classification algorithm

در نشریات گروه جغرافیا
تکرار جستجوی کلیدواژه classification algorithm در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه classification algorithm در مقالات مجلات علمی
  • سهراب غفاری، حمیدرضا ریاحی بختیاری*، مژگان عباسی

    جنگل های زاگرس به عنوان یکی از زیست بوم های ارزشمند ایران به شمار می آیند که زیستگاه جانوران و گیاهان متنوعی هستند. بحران های اخیر مانند گرم شدن کره زمین، خشکسالی و طوفان های گرد و غبار این زیست بوم را به خطر انداخته و باعث ضعیف شدن تک درختان یا گروه هایی از درختان منطقه شده است. زوال به عنوان یک اختلال و چالش مهم، درختان بلوط در منطقه زاگرس را تهدید می کند. هدف این مطالعه بررسی امکان پهنه بندی درختان مستعد زوال با استفاده از الگوریتم های یادگیری ماشین است. منطقه مورد مطالعه 101 هکتار از جنگل های زاگرس میانی موسوم یه منطقه "بلوط بلند" واقع در استان چهارمحال و بختیاری را در بر می گیرد. آماربرداری زمینی به منظور برداشت وضعیت سلامت درختان در 37 عدد قطعه نمونه 1000 مترمربعی انجام شد. علاوه بر این نقشه واقعیت زمینی به صورت موردی بر اساس بررسی درخت به درخت در 11 درصد از سطح منطقه تهیه شد. پس از انجام تحلیل تفکیک پذیری سه طبقه شامل "طبقه 1 خشکیدگی" با میزان خشکیدگی کمتر از 50 درصد، "طبقه 2 خشکیدگی" با میزان خشکیدگی بیش از 50 درصد و طبقه "سایر" شامل خاک لخت، جنگل تنک، جاده و بیرون زدگی سنگی برای طبقه بندی انتخاب شدند. در این مطالعه قابلیت چهار روش یادگیری ماشین شامل حداکثر احتمال، شبکه عصبی، جنگل تصادفی و ماشین بردار پشتیبان مقایسه شد. نتایج نشان داد که روش حداکثر احتمال می تواند بیشترین صحت کلی و ضریب کاپا را به ترتیب معادل 87/0 درصد و 73/0 ارائه دهد. همچنین در طبقه دوم مساحت خشکیدگی زیادتر است و بیانگر این است که میزان خشکیدگی منطقه رو به رشد است. پیشنهاد می شود با مطالعه مستقیم رفتار طیفی درخت در فرایند خشکیدگی و معرفی شاخص های طیفی مناسب، نسبت به شناسایی زود هنگام توده های در معرض خشکیدگی اقدام نمود.

    کلید واژگان: جنگل های زاگرس، خشکیدگی بلوط، شاخص پوشش گیاهی، الگوریم طبقه بندی، یادگیری ماشین
    Sohrab Ghafari, Hamidreza Riyahi Bakhtyari *, Mozhgan Abbasi

    Zagros forests are one of Iran’s most valuable ecosystems, hosting diverse fauna and flora. Recent crises such as global warming, droughts, and dust storms have endangered this ecosystem, causing the weakening of individual trees or groups of trees in the region. Decline is an important disorder and challenge that threatens oak trees in the Zagros region. This study aimed to investigate the possibility of zoning decline-affected trees using machine-learning algorithms. The study area encompasses 101 hectares of middle Zagros forests known as the "Baloot Boland" region. Filed sampling was conducted to assess the health status of trees in 37 sample plots (1000 square meters each). In addition, the ground truth map was prepared on a tree-by-tree investigation basis for 11% of the total area. After analyzing reparability, three classes were selected for classification: "Class 1" representing areas with decline levels below 50%, "Class 2" representing areas with drought levels exceeding 50%, and "Class 3" including bare soil, sparse forest, roads, and rocky outcrops. The capabilities of the four machine learning methods, namely Maximum Likelihood, Neural Network, Random Forest, and Support Vector Machine, were compared. The results showed that the Maximum Likelihood method provided the highest overall accuracy and Kappa coefficients of 87.0% and 73.0%, respectively. Additionally, in Class 2, the area of decline was higher, indicating an increasing level of decline in the region. It is recommended to study the spectral behavior of trees directly during the decline process and to introduce suitable spectral indices to identify the early stage of decline-affected stands.

    Keywords: Zagros Oak Forests, Oak Decline, Vegetation Index, Classification Algorithm, Machine Learning
  • محمد سعادت، رضا شاه حسینی*

    تهیه نقشه های کاربری اراضی با دقت بالا همواره یکی از اهداف مهم محققین در زمینه مدیریت اراضی بوده است. هدف از این پژوهش ارایه روش نوینی جهت تهیه نقشه های کاریری اراضی با استفاده از پردازش تصاویر ماهواره ای بوده است. به همین منظور از تصاویر ماهواره لندست 8 به عنوان تصویر پایه و نقشه مدل رقومی ارتفاعی، داده های حاصل از تجزیه به مولفه های اصلی و شاخص های طیفی جهت استخراج نقشه کاربری اراضی در منطقه مطالعاتی استفاده گردید. پس از پیش پردازش ها و آماده سازی داده های مورد نیاز، اقدام به تهیه نمونه های آموزشی گردید. در این پژوهش نمونه های آموزشی در دو بخش به کار گرفته شدند؛ در بخش اول از آنها به عنوان ورودی جهت طبقه بندی تصویر با الگوریتم های نظارت شده حداکثر احتمال و ماشین بردار پشتیبان استفاده گردید. در بخش دوم جهت طبقه بندی با روش درخت تصمیم گیری، از این نمونه ها جهت تعیین محدوده بازتاب طیفی هر کاربری در طیف امواج الکترومغناطیس (باندهای تصویر، PCA، شاخص های طیفی و DEM) استفاده گردید. سپس با استفاده از این داده ها و شروط دودویی درخت تصمیم گیری، هر کاربری مشخص گردید و نقشه کاربری آن استخراج گردید. پس از تهیه نقشه های ذکر شده، به منظور تلفیق نتایج طبقه بندی و حصول دقت بالاتر، از روش حداکثر رای گیری به منظور تهیه نقشه تلفیقی جدید کاربری اراضی منطقه استفاده گردید. به منظور ارزیابی دقت نقشه های تولیدی از پارامترهای آماری منتج از ماتریس ابهام شامل دقت کلی، ضریب کاپا، صحت کاربر و صحت تولیدکننده استفاده گردید. بر اساس نتایج حاصله، روش تلفیقی با دقت کلی 37/93 درصد و ضریب کاپا 91/0 دارای بیشترین دقت بوده است. دقت کلی نقشه کاربری روش درخت تصمیم گیری، ماشین بردار پشتیبان و حداکثر احتمال نیز به ترتیب 61/89، 01/88 و 6/87 درصد بوده اند. با توجه به اینکه در طبیعت پوشش/کاربری خالص به ندرت مشاهده می گردد و بیشتر پوشش/کاربری ها به صورت ترکیبی وجود دارند، لذا بهتر است از روش های نوینی که همه ابعاد پدیده ها را پوشش می دهند استفاده گردد. در این پژوهش اطلاعات حاصل از طبقه بندی نظارت شده و همچنین اطلاعات حاصل از روش منطقی درخت تصمیم گیری با یکدیگر تلفیق شده و نتایج حاصله به خوبی بیانگر بهبود دقت نهایی طبقه بندی بودند.

    کلید واژگان: طبقه بندی حداکثر رای گیری، کاربری اراضی، الگوریتم های طبقه بندی، سنجش از دور، لندست 8
    Mohammad Saadat, Reza ShahhoseinI*

    Preparation of proper land use maps has always been one of the important goals of researchers and policymakers. The aim of this study was to provide a new method for preparing land use maps using remotely sensed data and satellite data imagery. For this Purpose, we used Landsat 8 data, Digital Elevation Model (DEM), Principal Component Analysis (PCA), and Spectral Indices to extract land use map in the study area. After all required preprocessing, the training samples were provided. In this study, the training samples were utilized in two parts; in the first part they were used as inputs for image classification using supervised algorithms of maximum likelihood Classification (MLC) and support vector machine (SVM). In the second part, in order to applying Decision Tree Classification (DTC), these training samples were used to determine the spectral reflection of each end-member in the spectrum of electromagnetic waves (image bands, PCA, spectral indices, and DEM).Then, using these binary data and DTC, each end-member was identified and the Landuse/Landcover (LULC) map was extracted. In order to combine the classification results and achieve higher accuracy, the Majority Vote Classification (MVC) method was applied to prepare a new compilation of land use in the area. In order to evaluate the accuracy of produced maps, the statistical parameters extracted from the confusion matrix including overall accuracy, kappa coefficient, user and producer’s accuracy were utilized. According to the results, the combined method (MVC) with a total accuracy of 93.37% and kappa coefficient of 0.91 had the highest accuracy. The overall accuracy of the DTC, SVM, and MLC were 89.61, 88.01 and 87.6%, respectively. Due to the fact that in the nature most of the landuse are mixed and complicated, it would be better to use new methods that cover all aspects of the phenomena. In this research, the data extracted from the supervised classifications as well as the data derived from the DTC were combined and the results clearly illustrate the improvement of the final accuracy of the classification.

    Keywords: Majority Vote Classification, Landuse, Classification Algorithm, Remote Sensing, Landsat 8
  • محمد زینالی، علی اصغر جعفرزاده، فرزین شهبازی، شاهین اوستان، خلیل ولی زاده کامران
    شوری خاک و شور شدن اراضی به عنوان یکی از مشکلات فراروی کشاورزی، از اهمیت بالایی برخوردار بوده که بایستی با شناخت صحیح از پیشروی آن جلوگیری شود. اولین گام در این راه شناسایی مناطق شور و تهیه نقشه شوری این خاک ها می باشد. این تحقیق با هدف مقایسه نقشه های شوری تهیه شده با انواع الگوریتم های طبقه بندی (حداکثر احتمال، حداقل فاصله از میانگین و متوازی السطوح) تصویر توسط داده های ماهواره لندست5 با سنجنده TM در بخشی از اراضی شرق شهرستان خوی صورت گرفته است. لذا تعداد 269نمونه خاک با مختصات جغرافیایی مشخص تجزیه و نتایج حاصله بر روی تصویرTM پیاده گردید. برای شناسایی اولیه از نقشه توپوگرافی و نرم افزار4.8 ENVI جهت پردازش تصاویر ماهواره ای استفاده شده و تصحیحات ژئومتریک با نقاط مشخص و با استفاده از GPS انجام گرفت. نمونه های آموزشی و آزمایشی با پراکنش مناسب بر روی تصویر مورد نظر پیاده شده و کلاس های شوری از یک تا نه تهیه تعیین شدند. نمونه های مربوط به هر کلاس شوری با دقت کامل و به اندازه تک پیکسل، به علت اینکه دارای مختصات بودند، در هر تصویر بر روی پیکسل مربوطه قرار گرفته و با فرمت ROI ذخیره گردیدند. نتایج حاکی از وجود همبستگی بین باندهای 1، 4و 5 تصویرTM با داده های شوری بوده و از میان الگوریتم های طبقه بندی در روش پیکسل مبنا، بالاترین میزان دقت نقشه مربوط به حداکثر احتمال می باشد. به منظور ارزیابی صحت، شاخص هایی مانند ماتریس خطا، صحت تولیدکننده، صحت کاربر، صحت کلی و شاخص کاپا استخراج گردید. همچنین مطابقت طبقات مختلف شوری خاک این نقشه با مشاهدات صحرایی و میزان شوری اندازه گیری شده بیانگر دقت بالای این الگوریتم در تهیه نقشه شوری خاک سطحی است. هدفتحقیق حاضر مقایسه نقشه های شوری تهیه شده با این روش ها در منطقه مورد نظر با نتایج سایر محققین می باشد.
    کلید واژگان: الگوریتم طبقه بندی، پیکسل مبنا، سنجنده TM، شوری، لندست5، خوی
    Mohammad Zeinali, Ali Asghar Jaafarzadeh, Farzin Shahbazi, Shahin Oustan, Khalil Valizadeh Kamran
    Soil salinity and salinization of lands, as one of the main problems of agriculture, has paramount importance and can be avoided with proper understanding of its progress. This is the first step in identifying areas of salt and salt mapping in these soils. With the development of remote sensing technology and efficient use of satellite imaging, this study compared the salinity maps produced by a variety of classification image algorithms (Maximum likelihood, Minimum distance and Parallelepiped) by Landsat5 TM satellite data in the East of Khoy. In this study, 269 soil samples were analyzed and the results obtained were implemented on TM image. For initial identification, topography maps, ENVI 4.8 software and satellite image processing were used and geometric correction was performed with specific locations using GPS. Selected train samples with good distribution in the image and salinity classes were prepared from 1 to 9 determined. Examples of each class of salinity were placed carefully with single pixel size in each image on the corresponding pixel and stored with ROI format, because they had the coordinates. The results indicate the existence of a correlation between bands 1, 4 and 5 TMimage with salinity data and classification algorithms using the Pixel-based method, the highest accuracy of the map is the maximum lkelihood. For this purpose, indicators such as error matrix, Producer’s Accuracy, User’s Accuracy, overall accuracy and kappa Coefficient were extracted. This map is also consistent with field observations of different classes of soil salinity measurement and shows high accuracy of the algorithm among soil salinity maps. The aim of this study was to compare salinity maps prepared by these methods in the area with results of other researchers.
    Keywords: Pixel, based, Classification Algorithm, LANDSAT5, Salinity, TM Sensor, Khoy127
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال