این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۴۹، شماره ۵، صفحات ۱۱۷۱-۱۱۸۰
عنوان فارسی تهیه نقشه کاربری و پوشش اراضی با استفاده از داده‌های سنجش از دور و شبکه عصبی مصنوعی
چکیده فارسی مقاله نقشه‌های کاربری اراضی برای بسیاری از فعالیت‌های مدیریتی، هیدرولوژی و بررسی وضعیت فرسایش خاک ضروری می‌باشند. داده‌های سنجش از دور از پتانسیل بالایی برای تهیه نقشه‌های به‌روز کاربری و پوشش اراضی برخوردارند. هدف از این پژوهش تهیه نقشه کاربری اراضی حوضه آبخیز سد گاوشان با استفاده از تصاویر ماهواره لندست 8 و شبکه عصبی مصنوعی و نیز ارزیابی روش مورد استفاده بود. بدین‌منظور از 1320 نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. کلاس‌های کاربری شناسایی شده در این حوضه عبارت بودند از کشاورزی، جنگل‌های بافر (درختان کنار رودخانه‌ای)، باغ، مراتع بوته‌ای، مراتع علوفه‌ای، مناطق مسکونی، جاده و آب. شبکه عصبی مورد استفاده در این مطالعه از نوع پرسپترون پیش‌خور بود که با استفاده از الگوریتم پس-انتشار خطای گرادیان مزدوج مقیاس‌بندی‌شده آموزش داده شد. متغیرهای ورودی برای ایجاد شبکه عصبی مصنوعی مقدار بازتاب طیفی تصحیح شده باندهای 1 تا 7 تصاویر ماهواره لندست 8 بود. ارزیابی شبکه عصبی مصنوعی استفاده شده با استفاده از داده‌های کنترل زمینی نشان داد که روش استفاده شده با دقت کلی 5/78 درصد و ضریب کاپای 5/68 درصد از دقت بالایی برخوردار است. نتایج این مطالعه نشان می‌دهد که استفاده از شبکه‌های عصبی مصنوعی و تصاویر ماهواره لندست 8 امکان خوبی را برای تهیه نقشه‌های کاربری اراضی با دقت بالا فراهم می‌آورند.
کلیدواژه‌های فارسی مقاله ماهواره لندست، طبقه‌بندی تصویر، سد گاوشان،
عنوان انگلیسی Providing Land Use and Land Cover Maps Using Remote Sensing Data and Artificial Neural Network
چکیده انگلیسی مقاله Land use and land cover (LULC) maps are necessary for many management activities, hydrology and erosion analysis. Remote sensing data have a high potential for providing up-to-date LULC maps. The objective of this study was to provide and evaluate the LULC maps of Gavshan dam watershed in west of Iran using Landsat 8 satellite images and artificial neural network. Hence, 1320 ground control points or reference points were used to train and test the ANN model for providing LULC maps. Land use classification at each point was specified with a land survey or using Google Earth images. The identified LULC classes in this basin included agriculture, buffer forests (riverside trees), orchards, bushes, forage grasslands, residential areas, roads and water. The ANN used in this study was a feed-forward perceptron that was trained using a coupled conjugate gradient backpropagation algorithm. The input variables for the ANN model were the revised spectral reflectance of bands 1 to 7 of Landsat 8 satellite images. The evaluation of the ANN model made by the ground control data showed a high accuracy for the used method with a general accuracy of 78.5% and kappa coefficient of 68.5%. The results of this study indicated that the utilization of the ANN and Landsat 8 satellite images provides an opportunity to produce LULC maps with high accuracy.
کلیدواژه‌های انگلیسی مقاله Landsat ETM, image classification, Gavshan dam
نویسندگان مقاله محمد علی محمودی |
استادیار، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران

سحر امین خواه |
دانشجوی سابق کارشناسی ارشد، گروه علوم و مهندسی خاک، دانشکدۀ کشاورزی، دانشگاه کردستان، سنندج، ایران

نشانی اینترنتی https://ijswr.ut.ac.ir/article_68212_37a5244c97308e35e9c9e94260792fdf.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/684/article-684-1007855.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات