[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 11، شماره 4 - ( 3-1401 ) ::
دوره 11 شماره 4 صفحات 23-11 برگشت به فهرست نسخه ها
مقایسه عملکرد روش های یادگیری عمیق و جنگل تصادفی در طبقه‌ بندی پوشش اراضی شهری (مطالعه موردی: شهر تبریز)
میثم محرمی، نجمه نیسانی سامانی*
چکیده:   (484 مشاهده)
تهیه نقشه­ پوشش اراضی شهری یکی از پیش­ شرط­ های اساسی بسیاری از برنامه­­ های شهری محسوب می­ شود. صرف کمترین زمان و هزینه برای تهیه این نقشه­ ها از جمله چالش­ های مدیران شهری محسوب می­ شود. امروزه تصاویر ماهواره ­ای و طبقه­ بندی آن­ها کاربرد گسترده­ ای در تهیه نقشه ­های پوشش اراضی شهری پیدا کرده­ اند. بر این اساس هدف از این تحقیق، تهیه نقشه پوشش اراضی شهری در شهر تبریز با استفاده از تصویر ماهواره ­ای سنتینل-2 می­ باشد. برای طبقه ­بندی تصویر ماهواره ­ای، از دو الگوریتم جنگل تصادفی و یادگیری عمیق مبتنی بر شبکه عصبی (شبکه عصبی عمیق) استفاده شد. کلاس­ های کاربری مورد نظر شامل پنج پوشش سطحی: اراضی بایر، مناطق ساخته شده، راه، پوشش گیاهی و آب بودند. تمام مراحل پردازش تصاویر ماهواره ­ای به ­صورت خودکار و در سامانه ­های پردازش ابری Google Earth Engine و Google Colab انجام شد. با توجه به نتایج به ­دست آمده، الگوریتم شبکه عصبی عمیق با صحت کلی 95/2 درصد عملکرد بهتری را نسبت به الگوریتم جنگل تصادفی با صحت کلی 93/1 درصد ارائه کرد. بررسی عملکرد این دو الگوریتم در استخراج هر یک از کلاس ­ها نشان داد که روش شبکه عصبی عمیق در استخراج کلاس­ های اراضی بایر و مناطق ساخته شده عملکرد بهتری داشته است، به­ طوری­ که مقادیر صحت کاربر و تولید کننده آن در کلاس اراضی بایر به­ ترتیب 9/6 و 1 درصد بیش­تر از الگوریتم جنگل تصادفی بودند. این میزان در کلاس مناطق ساخته شده نیز به­ ترتیب 0/3 و 4/3 درصد بیش­تر از الگوریتم جنگل تصادفی بودند. از طرفی الگوریتم جنگل تصادفی در استخراج کلاس راه عملکرد بهتری داشت و  مقادیر صحت کاربر و تولید کننده آن به­ ترتیب 3/65 و 4/1 درصد بیش از روش شبکه عصبی عمیق بودند. بنابراین می­ توان گفت هر دو الگوریتم عملکرد مناسبی در تهیه نقشه پوشش شهری ارائه دادند، اما عملکرد کلی الگوریتم شبکه عصبی عمیق، مناسب­ تر بود.
شماره‌ی مقاله: 2
واژه‌های کلیدی: پوشش اراضی شهری، شبکه عصبی عمیق، جنگل تصادفی، سنتینل-2
متن کامل [PDF 1158 kb]   (271 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری و سنجش از دور
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Moharrami M, Neysani Samany N. Comparative assessment of Deep Learning and Random Forest methods for urban land cover classification (A case study Tabriz city). JGST 2022; 11 (4) :11-23
URL: http://jgst.issge.ir/article-1-973-fa.html

محرمی میثم، نیسانی سامانی نجمه. مقایسه عملکرد روش های یادگیری عمیق و جنگل تصادفی در طبقه‌ بندی پوشش اراضی شهری (مطالعه موردی: شهر تبریز). نشریه علمی پژوهشی علوم و فنون نقشه برداری 1401; 11 (4) :23-11

URL: http://jgst.issge.ir/article-1-973-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 4 - ( 3-1401 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology