ارزیابی و مقایسه کارایی الگوریتم های بهینه سازی ازدحام ذرات و جستجوی گرانشی برای تفکیک کاربری های اراضی مشابه - مطالعه موردی: اراضی فضای سبز و شالیزار شمال ایران

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 425

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SEPEHR-29-113_008

تاریخ نمایه سازی: 20 مرداد 1399

چکیده مقاله:

بکارگیری ویژگی های بهینه در الگوریتم های مختلف طبقه بندی، بر دقت نتایج حاصل از طبقه بندی تاثیرگذار می باشد. هدف از پژوهش حاضر بررسی قابلیت های تصاویر هایپریون و لندست و مقایسه کارایی الگوریتم های بهینه سازی ازدحام ذرات و جستجوی گرانشی جهت تعیین ویژ گی های بهینه برای تفکیک اراضی فضای سبز و شالیزار می باشد. در این مطالعه از تصاویر ماهواره ای لندست، هایپریون و مجموعه داده های واقعی مربوط به منطقه ای در شمال ایران استفاده شده است. در این مطالعه کارایی الگوریتم های بهینه سازی ازدحام ذرات و جستجوی گرانشی جهت تعیین ویژ گی های بهینه و قابلیت تصاویر لندست و هایپریون برای تفکیک اراضی فضای سبز و شالیزار با استفاده از مجموعه ی داده های واقعی مقایسه گردید. برای ارزیابی نتایج از پارامترهای دقت کاربر، دقت تولید کننده، دقت کلی و ضریب کاپا استفاده شده است. نتایج پژوهش بیانگر این است که دقت کلی تفکیک اراضی فضای سبز و شالیزار با تصویر هایپریون 15 درصد بالاتر از تصویر لندست می باشد. بکارگیری شاخص های طیفی در فرایند طبقه بندی، سبب بهبود دقت تفکیک اراضی فضای سبز و شالیزار در هر دو داده لندست و هایپریون می گردد. همچنین استفاده از الگوریتم بهینه سازی برای تعیین ویژگی های بهینه و استفاده از ویژگی های بهینه در فرایند طبقه بندی سبب افزایش دقت تفکیک اراضی فضای سبز و شالیزار می گردد. با توجه به مقادیر دقت کلی، کارایی الگوریتم بهینه سازی جستجوی گرانشی برای تفکیک اراضی فضای سبز و شالیزار 2 درصد بهتر از الگوریتم ازدحام ذرات می باشد.

نویسندگان

محمد کریمی فیروزجایی

دانشجوی دکتری گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

امیر صدیقی

دانشجوی دکتری گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

نجمه نیسانی سامانی

استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Arzani, H. and G. King (1997). Application of remote sensing ...
  • Awad, M. M. (2018). Forest mapping: a comparison between hyperspectral ...
  • Baghdadi, N., N. Boyer, P. Todoroff, M. El Hajj and ...
  • Banerjee, S., A. Bharadwaj, D. Gupta and V. Panchal (2012). ...
  • Beck, R. (2003). EO-1 user guide v. 2.3. Department of ...
  • Berk, A., P. Conforti, R. Kennett, T. Perkins, F. Hawes ...
  • Cheng, G., J. Han, L. Guo, Z. Liu, S. Bu ...
  • Coulter, L. L., D. A. Stow, Y.-H. Tsai, N. Ibanez, ...
  • Couto, P. (2003). Assessing the accuracy of spatial simulation models. ...
  • Datt, B., T. R. McVicar, T. G. Van Niel, D. ...
  • Eberhart, R. and J. Kennedy (1995). A new optimizer using ...
  • Elatawneh, A., C. Kalaitzidis, G. P. Petropoulos and T. Schneider ...
  • FIORIO, P. R., J. A. M. DEMATTÊ and G. SPAROVEK ...
  • Foody, G. M., M. E. Cutler, J. Mcmorrow, D. Pelz, ...
  • Galvao, L. S., A. R. Formaggio and D. A. Tisot ...
  • Galvão, L. S., A. R. Formaggio and D. A. Tisot ...
  • Gao, B.-C. (1996). NDWI—A normalized difference water index for remote ...
  • Geem, Z. W., J. H. Kim and G. V. Loganathan ...
  • Goodenough, D. G., A. Dyk, K. O. Niemann, J. S. ...
  • Green, A. A., M. Berman, P. Switzer and M. D. ...
  • Hamzeh, S., A. A. Naseri, S. K. AlaviPanah, H. Bartholomeus ...
  • Hamzeh, S., A. A. Naseri, S. K. Alavipanah, B. Mojaradi, ...
  • Han, T., D. Goodenough, A. Dyk and J. Love (2002). ...
  • Huete, A. R., T. Miura and X. Gao (2003). Land ...
  • Johnson, R. M., R. P. Viator, J. C. Veremis, E. ...
  • Joshi, N., M. Baumann, A. Ehammer, R. Fensholt, K. Grogan, ...
  • Kennedy, J. and R. C. Eberhart (1997). A discrete binary ...
  • Li, Y. and Z. Kang (2016). A hyperspectral imaging technology ...
  • Liu, X., X. Li, L. Liu, J. He and B. ...
  • Mann, D. and P. Joshi (2017). Evaluation of Image Classification ...
  • Masek, J., E. Vermote, N. Saleous, R. Wolfe, F. Hall, ...
  • Mather, P. and B. Tso (2016). Classification methods for remotely ...
  • Matsushita, B., W. Yang, J. Chen, Y. Onda and G. ...
  • Mertens, K., L. Verbeke, E. Ducheyne and R. De Wulf ...
  • Nikolakopoulos, K. G. (2003). Use of vegetation indexes with ASTER ...
  • Pervaiz, W., V. Uddin, S. A. Khan and J. A. ...
  • Pettorelli, N., J. O. Vik, A. Mysterud, J.-M. Gaillard, C. ...
  • Rashedi, E., H. Nezamabadi-Pour and S. Saryazdi (2009). GSA: a ...
  • Roberts, D. A., P. E. Dennison, M. E. Gardner, Y. ...
  • Rudorff, B. F. T. and G. T. Batista (1990). Yield ...
  • Schroeder, T. A., W. B. Cohen, C. Song, M. J. ...
  • Tardin, A., G. Deassuncao and J. Soares (1992). Preliminary-analysis of ...
  • Trelea, I. C. (2003). The particle swarm optimization algorithm: convergence ...
  • Tucker, C. J. (1979). Red and photographic infrared linear combinations ...
  • Vogelmann, J., B. Rock and D. Moss (1993). Red edge ...
  • Wang, L., D. Liu, H. Pu, D.-W. Sun, W. Gao ...
  • Weng, Q., M. K. Firozjaei, M. Kiavarz, S. K. Alavipanah ...
  • Weng, Q., M. K. Firozjaei, A. Sedighi, M. Kiavarz and ...
  • Wiegand, C., G. Anderson, S. Lingle and D. Escobar (1996). ...
  • Yang, H., Q. Du and G. Chen (2012). Particle swarm ...
  • Yang, X., Q. Zhou and M. Melville (1997). Estimating local ...
  • Yuan, Y., J. Lin and Q. Wang (2016). Hyperspectral image ...
  • Zhang, X., F. Liu, Y. He and X. Li (2012). ...
  • Zhu, Z. and C. E. Woodcock (2014). Continuous change detection ...
  • Zou, Q., L. Ni, T. Zhang and Q. Wang (2015). ...
  • نمایش کامل مراجع