ارزیابی الگوریتمهای طبقه بندی شبکه های عصبی و حداکثرهمانندی برای استخراج پوشش گیاهی دیم با استفاده از تصاویر ماهوارهای IRS در حوضه کشور

کشت دیم از جمله پوشش های گیاهی میباشد که درتصاویر ماهوار های از نظر ویژگی های طیفی، رفتاری کاملاً پیچیده و غیرخطی از خود نشان می دهند و براحتی نمی توان با خصوصیات طیف یشان آنها را از هم تمیز داد. لذا میتوان از داده های کمکی مانند بافت و شیب، جهت افزایش دقت تفکیک پذیری در کنار داده های طیفی استفاده نمود. در این تحقیق از الگوریتم طبقه بندی شبکه عصبی مصنوعی به دلیل محدود نبودن به مقیاس اندازه گیری یا توزیع آماری داده ها، در فرآیند طبقه بندی استفاده گردید. از سوی دیگر، روش حداکثرهمانندی قابل اعتمادترین روش طبقه بندی آماری بوده که وابسته به توزیع آماری داده های ورودی می باشد که مشخصات آماری داده ها را در تابع تفکیک کننده اش جهت طبقه بندی تصاویر ماهواره ای در فضای چند طیفی بکار می برد. لذا در این تحقیق، دقت این دو الگوریتم جهت استخراج اراضی دیم ارزیابی میگردد. منطقه مورد مطالعه قسمتی از حوضه کشور که دارای مساحتی حدود 140 کیلومتر مربع بوده، و از حیث جغرافیایی درجنوب شرقی شهر خرم آباد قرار گرفته است. این تحقیق از سه مرحله تشکیل شده است. مرحله اول استخراج ویژگی های بافتی (واریانس، کنتراست، انتروپی و انرژی) با استفاده از هیستوگرام مرتبه دوم و تهیه نقشه شیب با تعیین آستانه های مناسب بود. در مرحله دوم، طبقه بندی تصویر با الگوریتم های شبکه عصبی پرسپترون و حداکثر همانندی انجام شد، که شبکه با سه لایه، شامل پانزده نرون در لایه ورودی (دوازده ویژگی بافتی و سه ویژگی طیفی)، هفت نرون در لایه میانی و شش نرون در لایه خروجی(شش کلاس) تشکیل شد. در مرحله سوم نتایج ماتریس خطا و ضرائب کاپا نشان داد که طبقه بندی شبکه عصبی پرسپترون با انضمام ویژگی های بافت نسبت به الگوریتم حداکثرهمانندی از دقت بالاتری برخوردار است. و ملاحظه شد که دقت طبقه بندی اراضی دیم از 68,41 درصد در حداکثرهمانندی به 75 درصد در شبکه های عصبی افزایش یافته است.