دانشگاه شیراز ، mahrooz.rezaei@shirazu.ac.ir
چکیده: (7356 مشاهده)
یکی از مهمترین فاکتورهای مؤثر در فرسایش بادی، تغییر کاربری/ پوشش اراضی است. پایش دقیق کاربری/پوشش اراضی و شواهد فرسایش بادی، در مناطق خشک و نیمهخشک اهمیت زیادی دارد. تفکیک پوششهای اراضی حاصل از فرسایش بادی نظیر پهنههای ماسهای و نبکاها، نیازمند استفاده از روشهای دقیق سنجش از دور است. در این تحقیق برای تهیهی نقشهی کاربری/پوشش اراضی در زمینهی فرسایش بادی، توانایی تکنیکهای پیشرفتهی یادگیری ماشینی بر تصاویر لندست ارزیابی شد. بدین منظور، تصاویر لندست 7 (2006) و لندست 8 ) 2013( از نظر هندسی و رادیومتریکی تصحیح شد. روشهای بارزسازی تصاویر، اعمال شد و با الگوریتمهای ماشین بردار پشتیبان با چهار نوع تابع کرنل خطی، چندجملهای، تابع شعاعی مبنا و حلقوی و روش شبکه عصبی مصنوعی خودسازماندهندهی کوهنن، طبقهبندی و با روش حداکثر شباهت مقایسه شد. با استفاده از آزمونهای جداییپذیری، بهترین ترکیب باند ورودی طبقهبندی انتخاب شد. ارزیابی دقت نشان داد که بهترین نقشه با ترکیبی از باندهای خام و پردازش شده و با الگوریتم ماشین بردار RBF (دقت کلی %88 و %87/90 برای تصاویر لندست 7 و 8) حاصل میشود. اختلاف دقت این روش با روشهای ماشینبردار خطی، چند جملهای، SOM، حلقوی و ML به ترتیب 5/1، 9/2، 3/8، 4/12 و 4/16 درصد برای لندست 7 و به ترتیب 16/2، 16/4، 19/6، 89/13 و 67/14 درصد برای لندست 8 است. نتایج نشان داد که دقت طبقهبندی با استفاده از ترکیب باندهای پردازششده و باندهای خام، در مقایسه با باندهای خام به تنهایی به میزان زیادی افزایش مییابد.