مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق)
الموضوعات :
مهسا عبدلی لاکتاسرائی
1
,
مریم حقیقی خمامی
2
1 - دانشگاه گیلان
2 - دانشگاه گیلان
الکلمات المفتاحية: سنجش‌ازدور, کاربری اراضی, ماشین بردار پشتیبان, شبکه عصبی مصنوعی, طبقهبندی, پارک ملی بوجاق,
ملخص المقالة :
پارک های ملی و پناهگاه های حیات‌وحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجش‌ازدور توسعه‌یافته‌اند، انتخاب الگوریتم مناسب طبقه بندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا می کند. در این تحقیق با مقایسه صحت طبقه بندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیقتر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سال های 2000 تا 2017 با استفاده از تصاویر ماهوارهایETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهوارهای را بهتر طبقه بندی کرده است؛ بنابراین، از نقشه های کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی شده، مساحت کاربری های پیکره آبی، دریا، پوشش علفی و کشاورزی کاهش‌یافته است درحالی‌که کلاس کاربری های باتلاقی، درختی و بدون پوشش افزایش‌یافته است.
آرخی، صالح (1393). تهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روش¬های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال. نشریه علمی مرتع‌داری، 1(2)، 30-43.
آرخی، صالح؛ ادیب¬نژاد، مصطفی (1390). ارزیابی کارایی الگوریتمهای ماشین بردار پشتیبان جهت طبقهبندی کاربری اراضی با استفاده از داده¬های ماهواره¬ای ETM+ لندست (مطالعه موردی: حوزه سد ایلام). تحقیقات مرتع و بیابان¬زایی، 18(3)، 420-440.
اسلمی، فرنوش؛ قربانی، اردوان؛ سبحانی، بهروز؛ پناهنده، محسن (1394). مقایسه روش¬های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شئ¬گرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 1-14.
بنیاد، امیراسلام؛ حاجی قادری، طه (1386). تهیه نقشه جنگل¬های طبیعی استان زنجان با استفاده از داده¬های سنجنده ETM+ ماهواره لندست 7. علوم آب‌وخاک، 11(42)، 627-638.
دانشی، علیرضا؛ وفاخواه، مهدی؛ پناهی، مصطفی (1395). مقایسۀ کارآیی الگوریتمهای ماشین بردار پشتیبان و حداکثر احتمال در آشکارسازی تغییرات کاربری اراضی (مطالعۀ موردی: حوضۀ آبخیز سیمینه‌رود(. سنجش‌ازدور و GIS ایران، 8(2)، 73-86.
رضایی¬مقدم، محمدحسین؛ ولیزاده کامران، خلیل؛ اندریانی، صغری؛ الماس¬¬پور، فرهاد (1394). مقایسه روش¬های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه¬های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای). نشریه علمی-پژوهشی جغرافیا و برنامه¬ریزی، 19(52)، 163-183.
رسولی، علی¬اکبر (1387). مبانی سنجش‌ازدور کاربردی با تأکید بر پردازش تصاویر ماهواره¬ای. تبریز: دانشگاه تبریز.
فاطمی¬طلب، سیدرضا؛ معدنی¬پور کرمانشاهی، مرتضی؛ هاشمی، سیدآرمین (1394). برآورد تغییرات سطح پوشش جنگل¬های رودسر با استفاده از روش¬های طبقه¬بندی شبکه عصبی مصنوعی و حداکثر احتمال. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(2)، 33-44.
طرح جامع پارک ملی بوجاق (1392). پژوهشکده محیط¬زیست، جهاد دانشگاهی، استان گیلان.
فتحی¬زاد، حسن؛ صفری، عطا؛ بازگیر، مسعود؛ خسروی، غلامرضا (1395). ارزیابی و مقایسه روش¬های ماشین¬بردار¬پشتیبان با کرنل-های خطی، چند جمله¬ای و پایه شعاعی با شبکه عصبی مصنوعی برای طبقه¬بندی کاربری اراضی. فصلنامه علمی-پژوهشی تحقیقات مرتع و بیابان ایران، 23(4)، 729-743.
کشاورز، احمد؛ قاسميان يزدي، حمید (1384). يک الگوريتم سريع مبتني بر ماشين بردار پشتيبان براي طبقـه بنـدي تصـاوير ابـر طيفـي بـا استفاده از همبستگي مکاني. نشريه مهندسي برق و مهندسي کامپيوتر ايران، ۱(3)، 37-44.
مختاری، محمدحسین؛ نجفی، احمد (1394). مقایسه روش¬های طبقه¬بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری¬های اراضی از تصاویر ماهواره¬ای لندست TM. مجله علوم و فنون کشاورزی و منابع طبیعی، 19(72)، 35-45.
مظاهری، محمودرضا؛ اسفندیاری، مهرداد؛ مسیح¬آبادی، محمدحسن؛ کمالی، اردوان (1392). پايش تغييرات زماني کاربري اراضي با استفاده از فن‌های سنجش‌ازدور و سيستم اطلاعات جغرافيايي (مطالعه موردي: جيرفت، استان کرمان). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(2)، 25-39.
مهدویان چشمه گل، علیاکبر؛ محمدحسینیان، شهرام (1393). مقایسه روش¬های طبقه¬بندی ماکزیمم شباهت، نزدیکترین همسایه و شبکه عصبی برای تصاویر ماهواره¬ای، نخستین همایش ملی کاربرد مدل¬های پیشرفته تحلیل فضایی (سنجش‌ازدور و GIS) در آمایش سرزمین، 5 و 6 اسفندماه، دانشگاه آزاد اسلامی، یزد.
میرزایی زاده، وحید؛ نیک نژاد، مریم؛ اولادی قادیکلایی، جعفر (1394). ارزیابی الگوریتم¬های طبقه¬بندی نظارت‌شده غیر‌پارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 29-44.
نیازی، یعقوب؛ اختصاصی، محمدرضا؛ ملکی نژاد، حسین؛ حسینی، زین¬العابدین (1389). مقایسه دو روش طبقه¬بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی (مطالعه موردی: حوزه سد ایلام). جغرافیا و توسعه، 8(20)، 119-132.
یوسفی، صالح؛ تازه، مهدی؛ میرزایی، سمیه؛ مرادی، حمیدرضا؛ توانگر، شهلا (1393). مقایسه الگوریتم¬های مختلف طبقه¬بندی تصاویر ماهواره¬ای در تهیه نقشه¬ کاربری اراضی (مطالعه موردی: شهرستان نور). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(3)، 67-75.
Dixon, B., & Candade, N. (2008). Multispectral Land Use Classification Using Neural Networks and Support Vectormachines: One or the other, or Both? International Journal of Remote Sensing, 29(4), 1185–1206.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Gualtieri, J.A., & Cromp, R.F. (1998). Support Vector Machines for Hyperspectral Remote Sensing Classification, in: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October, SPIE, Washington, DC, PP. 221-232.
Guo, Y., De Jong, K., Liu, F., Wang, X., & Li, C. (2012). A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification. Springer-verlag Berlin Heidelberg, ISICA, CCIS, 316, 531-539.
Huang, C., Davis, L.S., & Townshend, J.R.G. (2002). An Assessment of Support Vectormachines for Land Cover Classification. International Journal of Remote Sensing, 23(4), 725-749.
Jensen, J.R. (2000). Remote Sensing of the Environment: An Earth Resource Perspective (Upper Saddle River, NJ: Princeton Hall). pp:592.
Jiang, X., Lin, M., & Zhao, J. (2011). Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms, Fourth International Conferenceon Intelligent Computation Technology and Automation, 312-315.
Jin, S., Homer, C., Yang, L., Xian, G., Fry, J., & Danielson, P. (2013). Automated cloud and shadow detection and filling using two-date Landsat imagery in the USA. International Journal of Remote Sensing, 34, 1540-1560.
Kavzoglu, T., & Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. Int. J. of Applied Earth Observation and Geoinformation, 11, 352-359.
Knorn, J., Rabe, A., Radeloff, V.C., Kuemmerle, T., Kozak. J., & Hostert, P. (2009). Land cover mapping of largeareas using chain classification of neighboring Landsat satellite images. Remote Sens, Environ, 113, 957-964.
Kun, j., Shunlin, L., Ning, Zh., Xiangqin, W., Xingfa, G., Xiang, Zh., Yunjun, Y., & Xianhong, X. (2014). Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data. Journal of Photogrammetry and Remote Sensing, 93, 49–55.
Lausch, A., & Herzog, F., (2002). Applicability of Landscape Metrics for the Monitoring of Landscape Change: Issues of Scale, Resolution and Interpretability, Ecological Indicators, 2, 3-15.
Lefsky, M.A., & Cohen, W.B. (2003). Selection of remotely sensed data. In: Remote sensing of forest environments. Springer, pp 13-46.
Pao, Y.H. (1989). Adaptive pattern recognition and neural networks. Addison-Wesley Longman Publishing Co., Inc.
Richards J., A. (2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.
Srivastava, P.K., Han, D., Rico-Ramirez, M.A., Bray, M., & Islam, T. (2012). Selection of classification techniques for land use/land cover change investigation. Advances in Space Research, 50,1250-1265.
Yao, X., Tham, L.G., & Dai, F.C. (2008). Landslide Susceptibility Mapping Based on Support Vector Machine: A Case Study on Natural Slopes of Hong Kong, China, Geomorphology, 101, 572-582.
Arekhi, S. (2014). Comparing accuracy of artificial neural network, Support Vector Machine and maximum likelihood Algorithms for land use classification (Case study: Dashat Abbas arid region, Ilam Province). Journal of Gorgan University of Agricultural Sciences and Natural Resources,1(2), 30-43. (In Persian).
Arekhi, S., & Adibnejad, M. (2011). Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment). Iranian Journal of Rangeland and Desert Research, 18(3), 420-440. (In Persian). Doi: 10.22092/IJRDR.2011.102175
Aslami, F., Ghorbani, A., Sobhani, B., & Panahande, M. (2015). Comparing artificial neural network, support vector machine and object-based methods in preparation land use/cover mapsusing landSat-8 images. RS and GIS Techniques in Natural Resources, 6(3), 1-14. (In Persian).
Bonyad, A.A., & Hajighaderi, T. (2008). Inventorying and Mapping of Natural Forest Stands of Zanjan Province Using Landsat ETM+ Image Data. Water and Soil Science, 42(11), 627-638. (In Persian).
Daneshi, A., Vafakhah, M., & Panahi, M. (2016). Efficiency Comparison of Support Vector Machine and Maximum Likelihood Algorithms for Monitoring Land Use Changes. Remote sensing and GIS of Iran, 8(2), 73-86. (In Persian).
Dixon, B., & Candade, N. (2008). Multispectral Land Use Classification Using Neural Networks and Support Vectormachines: One or the other, or Both? International Journal of Remote Sensing, 29(4), 1185–1206.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Fatemi Talab, R.S., Madanipour. M., & Hashemi, S.A. (2015). Estimating changes in forest cover in the Rudsar county by using neural network and maximum likelihood methods. Remote sensing and GIS in natural resources, 2(6), 33-44. (In Persian).
Fathizad, H., Safari, A., Bazgir, M., & Khosravi, GH. (2017). Evaluation of SVM with Kernel method (linear, polynomial, and radial basis) and neural network for land use classification. Iranian Journal of Rangeland and Desert Research, 4(23), 729-743. (In Persian).
Gualtieri, J.A., & Cromp, R.F. (1998). Support Vector Machines for Hyperspectral Remote Sensing Classification. In: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October, SPIE, Washington, DC, PP. 221-232.
Guo, Y., De Jong, K., Liu, F., Wang, X., & Li, C. (2012). A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification. International Symposium on Intelligence Computation and Applications, 316, 531-539.
Huang, C., Davis, L.S., & Townshend, J.R.G. (2002). An Assessment of Support Vectormachines for Land Cover Classification. International Journal of Remote Sensing, 23(4), 725-749.
Jensen, J.R. (2000). Remote Sensing of the Environment: An Earth Resource Perspective (Upper Saddle River, NJ: Princeton Hall). pp:592.
Jiang, X., Lin, M., & Zhao, J. (2011). Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms, Fourth International Conferenceon Intelligent Computation Technology and Automation, 312-315.
Jin, S., Homer, C., Yang, L., Xian, G., Fry, J., & Danielson, P. (2013). Automated cloud and shadow detection and filling using two-date Landsat imagery in the USA. International Journal of Remote Sensing, 34, 1540-1560.
Kavzoglu, T., & Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11, 352-359.
Keshavarz, A., & Ghasemian yazdi, H. (2006). A fast algorithm based on support vector machine for classification of spectral cloud images using spatial correlation. Iranian Journal of Electrical Engineering and Computer Engineering, 3, 37-44. (In Persian).
Knorn, J., Rabe, A., Radeloff, V.C., Kuemmerle, T., Kozak. J., & Hostert, P. (2009). Land cover mapping of largeareas using chain classification of neighboring Landsat satellite images. Remote Sensing of Environment, 113, 957-964.
Kun, j., Shunlin, L., Ning, Zh., Xiangqin, W., Xingfa, G., Xiang, Zh., Yunjun, Y., & Xianhong, X. (2014). Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data. ISPRS Journal of Photogrammetry and Remote Sensing, 93, 49–55.
Lausch, A., & Herzog, F., (2002). Applicability of Landscape Metrics for the Monitoring of Landscape Change: Issues of Scale, Resolution and Interpretability. Ecological Indicators, 2, 3-15. https://doi.org/10.1016/S1470-160X(02)00053-5
Lefsky, M.A., & Cohen, W.B. (2003). Selection of remotely sensed data. In: Remote sensing of forest environments. Springer, pp 13-46.
Mahdavian Cheshmeh Gol, A.A., & Mohammad Hoseinian, Sh. (2014). Comparison of maximum likelihood classification, nearest neighbor and neural network for satellite imagery. The first national conference on the use of advanced spatial analysis (remote sensing and GIS) models in landing. 5 and 6 March 2015, Islamic Azad University, Yazd, Iran. (In Persian).
Master Plan of Bojagh National Park. (2011). Environmental Research Institue Academic Center for Education culture and Research., Rasht, Iran. (In Persian).
Mazaheri, M.R., Esfandiari, M., Masih Abadi, M.H., & Kamali, A. (2013). Detecting temporal land use changes using remote sensing and GIS techniqes (Case study: Jiroft, Kerman Province). Remote sensing and GIS in natural resources, 4(2), 25-40. (In Persian).
Mirzaei Zadeh, V., Nik Nezhad, M., & Oladi, J. (2015). Evaluating non-parametric supervised classification algorithms in land cover map using LandSat-8 Images. Remote sensing and GIS in natural resources, 6(3), 1-14. (In Persian).
Mokhtari, M.H., & Najafi, A. (2015). Comparison of Support Vector Machine and Neural Network Classification Methods in Land Use Information Extraction through Landsat TM Data. Water and Soil Science, 19(72), 25-45. (In Persian).
Neiazi, Y., M.R. Ekhtesasi., H. Malekinezhad., S.Z. Hoseini., and J. Morshedi. 2010. Comparibson Between Two Classification Methods of Maximum likelihood and Artificial Neural Network for Providing Land Use Maps Case Study: Ilam Dam Area. Geography and Development, 8(20), 119-132. (In Persian).
Pao, Y.H. (1989). Adaptive pattern recognition and neural networks. Addison-Wesley Longman Publishing Co., Inc.
Rasuli, A.A. (2008). principles of applied remote sensing. Tabriz: Tabriz University. (In Persian).
Rezaei Moghaddam, M.H., & Valizadeh Kamran, Kh. (2015). Comparison of ANN and SVM methods in extraction Land Use/ Land Cover maps from Landsat 8 satellite image (Case Study: Sufi Chay Basin). Geography and Planning journal, 19(52),163-183. (In Persian).
Richards J., A. (2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.
Srivastava, P.K., Han, D., Rico-Ramirez, M.A., Bray, M., & Islam, T. (2012). Selection of classification techniques for land use/land cover change investigation. Advances in Space Research, 50,1250-1265.
Yao, X., Tham, L.G., & Dai, F.C. (2008). Landslide Susceptibility Mapping Based on Support Vector Machine: A Case Study on Natural Slopes of Hong Kong, China, Geomorphology, 4(101), 572-582. https://doi.org/10.1016/j.geomorph.2008.02.011
Yosefi, S., Tazeh, M., Mirzaei, S., Moradi, H.R., & Tavangar, Sh. (2014). Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Remote sensing and GIS in natural resources, 5(3), 67-76. (In Persian).
مقایسه روشهای طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیهی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق)
چکیده
پارکهای ملی و پناهگاههای حیات وحش از مهمترین سرمایههای اکولوژیکی بهشمار میروند. از اینرو اطلاع از تغییرات کمی و کیفی کاربری اراضی آنها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتمهای متنوعی برای طبقهبندی تصاویر ماهوارهای در سنجش از دور توسعه یافتهاند، انتخاب الگوریتم مناسب طبقهبندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا میکند. در این تحقیق با مقایسه صحت طبقهبندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیق تر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سالهای 2000 تا 2017 با استفاده از تصاویر ماهواره ای ETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهواره ای را بهتر طبقهبندی کرده است؛ بنابراین، از نقشههای کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی شده، مساحت کاربریهای پیکره آبی، دریا، پوشش علفی و کشاورزی کاهش یافته است در حالی که کاربریهای باتلاقی، درختی و بدون پوشش افزایش یافته است.
واژگان کلیدی: تغییرات پوشش اراضی، پارک ملی بوجاق، الگوریتم ماشین بردار پشتیبان، شبکه عصبی مصنوعی
مقدمه
پوشش زمین به هر نوع پوشش فیزیکی و بیولوژیکی موجود در سطح زمین شامل آب، پوشش گیاهی، زمین بایر، تالابها، یخ و برف و هم چنین ساخت و سازهای مصنوعی اطلاق میشود (کان1 و همکاران، 2014). کاربری زمین یکی از مهمترین عواملی است که انسان از طریق آن محیط زیست را تحت تأثیر قرار میدهد (لاوس و هرتسوگ2، 2002). آگاهی از انواع پوشش سطح زمین و فعالیتهای انسانی در قسمتهای مختلف آن و به بیان دیگر، نحوه استفاده از زمین، به عنوان اطلاعات پایه برای برنامهریزیهای مختلف از اهمیت ویژهای برخوردار است. نقشههای پوشش اراضی حاصل از تصاویر ماهوارهای نقش مهمی در ارزیابیهای منطقهای و ملی ایفا میکنند (نرن3 و همکاران، 2009). یکی از رویکردهای عمده برای بدست آوردن اطلاعات از تصاویر سنجش از دور، طبقهبندی است. روشهای متعدد طبقهبندی برای پردازش تصاویر وجود دارد، اکثر رویکردهای سنجش از دور بر اساس تکنیکهای تشخیص الگوی کلاسیک مثل طبقهبندیهای حداکثر احتمال، نزدیکترین همسایه یا ترکیبی از حداکثر احتمال و خوشهبندی است (جنسن4، 2000)؛ اما مشکلاتی از قبیل فرضیات مورد نیاز در این روشها چون توزیع نرمال دادهها، منجر به ایجاد روشهای جدیدتر و استفاده بیشتر از آنها شده است. روشهای دیگر طبقهبندی، از جمله شبکه عصبی مصنوعی5، توجه زیادی را به خود جلب کردهاند. بهدلیل ماهیت غیر پارامتریک شبکههای عصبی و قابلیت شان برای بهرهگیری از مثالها و توانایی تعمیم آنها، برای طبقهبندی نظارت شده مناسب قلمداد میشوند (فودی6، 2000). همچنین اخیرا، تکنیک جدیدتری بر اساس تئوری یادگیری آماری، با نام ماشینهای بردار پشتیبان7 جهت طبقهبندی دادههای سنجش از دور، استفاده شده است (دیکسون و کنداد8، 2008؛ یاو9 و همکاران، 2008) و با توجه به نتایج مطلوبی که در طبقهبندی تصاویر ماهواره ای داشته است، با بهترین روشهای طبقهبندی موجود، مانند شبکههای عصبی، طبقهبندی درختی و ... امکان رقابت دارد (آرخی و ادیبنژاد، 1390). تاکنون تحقیقات و مطالعات گوناگونی در داخل و خارج از کشور به مقایسه الگوریتمهای مورد استفاده برای طبقهبندی تصاویر ماهوارهای پرداختهاند. برای نمونه هوانگ10 و همکاران (2002)، دقت حاصل از به کارگیری الگوریتم ماشینهای بردار پشتیبان را با سه الگوریتم طبقهبندی شبکههای عصبی مصنوعی (NNC)، حداکثر احتمال و ساختار درخت تصمیمگیری مقایسه کردند. نتایج تحقیق آنها نشان داد که الگوریتم ماشینهای بردار پشتیبان، در مقایسه با سه الگوریتم دیگر، دقت بالاتری دارد. در تحقیقی دیگر گوا11 و همکاران (2012) برای استخراج کاربری اراضی شهر ووهان چین به مقایسه بین دو طبقهبندی شبکه عصبی و ماشین بردار پشتیبان بر روی تصاویر ETM+ پرداختند و نتیجه گرفتند که هر دو نوع طبقهبندی دارای دقت بالای 97 درصد هستند، اما ماشین بردار پشتیبان با دقت کلی 4/1 درصد بهتر است. دیکسون و کنداد (2008)، از الگوریتم های ماشینهای بردار پشتیبان برای طبقهبندی تصاویر ماهوارهای استفاده کردند و نتایج این طبقهبندی کننده را با الگوریتم شبکه عصبی مقایسه کردند و نتیجه گرفتند که الگوریتم ماشینهای بردار پشتیبان دارای دقت و صحت بالایی در امر طبقهبندی میباشد. مختاری و نجفی (1394) با استفاده از تصاویر ماهواره ای لندست TM و با مقایسه دو روش طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی کاربری اراضی را بدست آوردند. نتایج حاصل از ارزیابی دقت این دو روش نشان داد که ماشین بردار پشتیبان با دقت کلی 91.67 درصد نسبت به الگوریتم شبکه عصبی مصنوعی با دقت کلی 90.67 درصد از دقت بیشتری برخوردار است. فاطمیطلب و همکاران (1394) جهت تهیه نقشه پوشش جنگلهای رودسر به مقایسه دو روش حداکثر احتمال و شبکه عصبی برای طبقهبندی پرداختند، نتایج نشان داد صحت کلی در روش شبکه عصبی برای تصاویر سال های 2000 و 2013 به ترتیب معادل 0.95 و 0.95 و ضریب کاپا 0.91 و 0.91 بر آورد شد؛ و صحت کلی در روش حداکثر احتمال برای تصاویر سال های 2000 و 2013 به ترتیب معادل 0.95 و 0.85 و ضریب کاپا 0.86 و 0.84 محاسبه گردید، با توجه به نتایج این تحقیق، روش شبکه عصبی از دقت بالاتری برخوردار بود. آرخی (1393) از سه الگوریتم شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال برای تهیه نقشه کاربری اراضی دشت عباس استفاده کرد و نتیجه گرفت الگوریتم شبکه عصبی مصنوعی نسبت به دو الگوریتم دیگر عملکرد بهتری دارد. دانشی و همکاران (1395) با مقایسه ی کارآیی صحت طبقه بندی دو الگوریتم حداکثر احتمال و ماشینهای بردار پشتیبان، تغییرات کاربری اراضی را بدست آوردند و نتیجه گرفتند الگوریتم ماشینهای بردار پشتیبان با کرنل تابع پایهی شعاعی (RBF) کارآیی بهتری داشته است. هدف پژوهش حاضر، مقایسه دقت دو روش طبقهبندی پیشرفته شبکه عصبی مصنوعی و ماشینهای بردار پشتیبان برای طبقهبندی کاربری اراضی میباشد.
مواد و روشها
معرفی منطقه مورد بررسی
پارک ملی بوجاق با مختصات جغرافیایی N 37° 26' 55" و E 49° 55' 20"و وسعت 3260 هکتار در استان گیلان، شهرستان آستانه اشرفیه و در شهر کیاشهر قرار گرفته است شکل (1). این پارک از سمت شمال به دریای خزر، از سمت جنوب به شهر بندری کیاشهر، از سمت شرق به تاسیسات صدا و سیما و روستای امیر کیاسر و از سمت غرب به رودخانه اوشمک محدود میشود. ارتفاع این پارک 21 متر پایینتر از سطح دریا میباشد. اهمیت بوم شناختی، اکوتوریستی و تنوع زیستی نواحی ساحلی جنوبی دریای خزر، پارکهای ملی و تالابهای بین المللی آن در استان گیلان که مامن پرندگان مهاجر و ابزیان بسیاری است، اهمیت و انگیزه بررسی تغییرات پوشش اراضی را فراهم میکند. در سال 1377 با وسعت 800 هکتار به مدت 5 سال با نام منطقه شکار ممنوع بوجاق کیاشهر و سپس در سال 1382 با افزایش سطح به میزان فعلی به عنوان نخستین پارک ملی خشکی- دریایی کشور تحت مدیریت قرار گرفت (طرح جامع پارک ملی بوجاق، 1392).
شکل 1- نقشه موقعیت پارک ملی بوجاق
داده های مورد استفاده
از تصاویر ماهوارهای لندست 8 سنجنده OLI(Operational Land Imager) در تاریخ 23/ 7 /2017 و لندست 7 سنجنده
در تاریخ 25/7/2000 به‌منظور تهیه نقشه کاربری پوشش اراضی استفاده شد، در انتخاب تصاویر فصل اوج پوشش گیاهی، نبود ابر در هر دو سال موردتوجه قرار گرفت. دادههای مرجع شامل نقشه کاربری اراضی سال 2006 موجود در اداره کل منابع طبیعی و آبخیزداری استان گیلان بوده و از نرم‌افزارهای ,Excel2013 Google Earth، ENVI5.1 و ArcMap10.3 جهت تهیه نمودار، طبقهبندی تصاویر، تعیین مساحت کاربری اراضی و بررسیهای مربوط به آنها استفاده شد.
روش تحقیق
در این تحقیق پیش‌پردازش تصاویر شامل تصحیح هندسی با 18 نقطه کنترل زمینی از طریق سامانه گوگل ارث در سطح منطقه و خطای برآورد برابر با 0.005 انجام شد. سپس تصویر سال 2017 به‌عنوان مبنا انتخاب شد و تصویر سال 2000 به روش تصویر به تصویر در نرم‌افزار ENVI مورد مطابقت قرار گرفت. از روش کاهش تیرگی به‌منظور تصحیح رادیو متریک تصاویر استفاده شد. همچنین به‌منظور افزایش وضوح تصویر و نمایان‌تر شدن پدیدهها و عوارض موجود از تصویر رنگی کاذب باندهای 4،3،2 برای لندست 7 و باندهای 5،4،3 برای لندست 8 استفاده شد. جمع‌آوری نمونه جهت استخراج نقشههای کاربری اراضی با استفاده از دادههای سنجش‌ازدور در طی دو مرحله با عملیات میدانی صورت گرفت. مرحله اول قبل از طبقهبندی که در این مرحله جمع‌آوری نمونهها برای آشنایی با محدوده موردمطالعه و همچنین به دست آوردن نمونههای آموزشی موردنیاز برای طبقهبندی انجام گرفت و مرحله دوم پس از انجام طبقهبندی باهدف بازبینی صحت و تصحیح نتایج طبقهبندی انجام شد. در این مطالعه برای تهیه نمونههای واقعیت زمینی تصویر سال 2017 از بازدید میدانی، دستگاه موقعیت‌یاب جهانی (GPS)، تفسیر بصری و سامانه Google earth Pro و در تعیین نمونههای واقعیت زمینی برای تصویر سال 2000 از ترکیب رنگی کاذب، تصویر Pro Google Erth همچنین اطلاعات موجود از منطقه موردمطالعه در نرم‌افزار ENVI5.1 استفاده شد. در انتخاب نمونههای تعلیمی سعی شد ضمن اینکه معرف خوبی برای طبقات موردنظر باشند، از پراکنش مناسبی نیز برخوردار باشند. در این پژوهش از دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان جهت طبقهبندی نظارت‌شده استفاده شد و نمونههای تعلیمی برای هر دو روش یکسان در نظر گرفته شد تا بتوان به‌طور مؤثری به مقایسه طبقهبندیها پرداخت.
طبقهبندی با روش شبکه عصبی مصنوعی: از ساختار مغز و اعصاب انسان پیروی میکنند (دیکسون و کنداد، 2008) و شاید در میان طبقهبندی کنندههای شبکهای بیشترین محبوبیت را در طی دو دهه گذشته داشته باشد که به چندین شکل وجود دارد که عمومیترین آن پرسپترون چندلایه (Multilayer Perceptron) است (ریچاردز12، 2013). یک پرسپترون چندلایه معمولاً از یک‌لایه ورودی، یک یا چندلایه پنهان و به لایه خروجی تشکیل‌شده است که به ترتیب اطلاعات را دریافت و پردازش کرده و نمایش میدهند (فودی، 2000). در این تحقیق جهت استفاده از روش شبکه عصبی مصنوعی از یک‌لایه پنهان استفاده شد. کارکرد این روش بر اساس رابطه (۱) است که در این رابطه 
نشان دهند حد آستانه،
نشاندهنده بردار وزنی ضرایب و X بردار ورودی هست (مهدویان چشمه گل و محمدحسینیان، 1393).
رابطه (1)
طبقهبندی با روش ماشینهای بردار پشتیبان: ماشین بردار پشتیبان گروهی از الگوریتمهای طبقهبندی نظارت‌شده است که پیش‌بینی میکند هر نمونه در کدام کلاس یا گروه قرار میگیرد. این الگوریتم به پدیدههای فضاهای چندبعدی حساسیت کمتری دارد، به همین علت، در طبقهبندی دادههای چند طیفی و ابر طیفی روش مناسبی به شمار میرود. یکی از مزایای الگوریتم ماشین بردار پشتیبان این است که با نمونههای تعلیمی کوچک نیز میتواند تصویر طبقه‌بندی‌شده با دقت خوبی ارائه دهد که درنتیجه آن، هزینهها کاهش و سرعت کار افزایش مییابد (گالتیری و کرامپ13، 1998). نرم‌افزار ENVI 5.1 چهار نوع کرنل (Kernel) برای ماشین بردار پشتیبان در بخش طبقهبندی مربوط به SVM به نامهای خطی (Linear)، چندجمله‌ای (Polynomial)، شعاعی (Radial basic function(RBF)) و پیچشی (Sigmoid) تعریف کرده است (Dixon and Candade, 2008) با توجه به مطالعات کاوزوگلو و کوکسین14 (2009)، گواو همکاران (2012) و جیانگ15 و همکاران (2011) بهترین کرنل برای طبقهبندی کاربری اراضی را کرنل شعاعی (RBF) پیشنهاد کردهاند. در مطالعه حاضر از این کرنل جهت طبقهبندی استفاده شد.
برای اطمینان از کارایی طبقهبندی، دقت طبقهبندی ارزیابی میشود. بعد از طبقهبندی تصاویر ماهوارهای با استفاده از نمونههای تعلیمی که درروند طبقهبندی دخالت داده نشدهاند اقدام به ارزیابی صحت تصویر طبقه‌بندی‌شده میگردد. در این تحقیق، از دو شاخص ضریب کاپا16 و دقت کل17 استفاده شد، دقت کلی عبارت است از نسبت پیکسلهای به‌درستی طبقه‌بندی‌شده بر تعداد کل پیکسلهای طبقه‌بندی‌شده که از رابطه (2) محاسبه میشود (رسولی، 1387).
رابطه (2) 
در این رابطه، OA دقت کل، N معرف تعداد کل پیکسلهای آموزشی و
جمع عناصر قطر اصلی ماتریس خطاست. به دلیل ایرادات وارد بر دقت کلی، غالبا در کارهای اجرایی که مقایسه دقت طبقهبندی موردتوجه است، از شاخص کاپا استفاده میشود، چون شاخص کاپا پیکسلهایی را که نادرست طبقه‌بندی‌شده‌اند، موردتوجه قرار میدهد و از رابطه (3) محاسبه میشود (بنیاد و حاجیقادری، 1386).
رابطه (3)
برای این کار از نقاط مرجع برداشت‌شده در مطالعات صحرایی توسط دستگاه موقعیت‌یاب جهانی و سامانه گوگل ارث استفاده شد.
یافتههای پژوهش
نقشه کاربری اراضی منطقه موردمطالعه شامل کاربری کشاورزی، باتلاقی، درختی، دریا، پیکره آبی، بدون پوشش، پوشش علفی تهیه‌شده از روشهای طبقهبندی نظارت‌شده ماشین بردار پشتیبان و شبکه عصبی در شکلهای (2 و 3) آورده شده است. نتایج مقادیر دقت کلی و شاخص کاپا برای تصاویر مورداستفاده در جدول 1 آمده است که نشان میدهد در هر دو روش طبقهبندی و هر دو سال دقت کلی و شاخص کاپا بالاتر از 80 به‌دست‌آمده است که با استناد به لفسکی و کوهن18 (2003) ضرایب صحت کلی و کاپای بزرگ‌تر از 0.7 ازنظر صحت خیلی خوب و کمتر از 0.4 ضعیف است. نتایج حاصل از آنالیز آماری ضرایب صحت نشان داد که ماشین بردار پشتیبان با صحت کلی 86.42 برای سال 2000 و 90.65 برای سال 2017 نسبت به روش شبکه عصبی مصنوعی با صحت کلی 83.71 برای سال 2000 و 89.25 برای سال 2017 دارای دقت بیشتری هست.
شکل 2- نقشه طبقهبندی پوشش زمین با استفاده از روش ماشین بردار پشتیبان
شکل 3- نقشه طبقهبندی پوشش زمین با استفاده از روش شبکه عصبی مصنوعی
جدول 1- صحت کلی و ضریب کاپا نقشه تولیدی سالهای 2000 و 2017
| سال 2000 | سال 2017 | ||
| دقت کلی | ضریب کاپا | دقت کلی | ضریب کاپا |
ماشین بردار پشتیبان | 86.42 | 0.83 | 90.65 | 0.88 |
شبکه عصبی | 83.71 | 0.80 | 89.25 | 0.87 |
جدول 2- مشخصات آماري صحت توليدکننده و استفاده‌کننده براي طبقهبندی تصوير ETM+ با استفاده از دو روش طبقهبندی (درصد)
| روش شبکه عصبی مصنوعی (سال 2000) | روش ماشین بردار پشتیبان (سال 2000) | ||
کلاس | صحت تولیدکننده (%) | صحت استفاده‌کننده (%) | صحت تولیدکننده (%) | صحت استفاده‌کننده (%) |
دریا | 92.24 | 97.27 | 96.55 | 95.73 |
پیکره آبی | 69.12 | 81.03 | 79.41 | 81.82 |
بدون پوشش | 82.50 | 88 | 86.25 | 94.52 |
پوشش علفی | 83.33 | 94.83 | 86.36 | 95 |
کشاورزی | 83.33 | 80 | 70.83 | 80.95 |
درختی | 100 | 82.61 | 94.74 | 81.82 |
باتلاقی | 82.61 | 61.29 | 79.71 | 66.27 |
جدول 3- مشخصات آماري صحت توليدکننده و استفاده‌کننده براي طبقهبندی تصوير OLI با استفاده از دو روش طبقهبندی (درصد)
| روش شبکه عصبی مصنوعی (سال 2017) | روش ماشین بردار پشتیبان (سال 2017) | ||
کلاس | صحت تولیدکننده (%) | صحت استفاده‌کننده (%) | صحت تولیدکننده (%) | صحت استفاده‌کننده (%) |
دریا | 100 | 88.89 | 100 | 88.89 |
پیکره آبی | 66.67 | 95.24 | 66.67 | 90.91 |
بدون پوشش | 100 | 79.49 | 96.77 | 83.33 |
پوشش علفی | 91.67 | 100 | 91.67 | 94.29 |
کشاورزی | 100 | 94.44 | 100 | 100 |
درختی | 70.83 | 100 | 79.17 | 100 |
باتلاقی | 92.86 | 83.87 | 96.43 | 90 |
مساحت مربوط به هر کاربری در سالهای 2000 و 2017 در محیط نرم‌افزار ArcMap10.3 محاسبه شد و در جدول (4) مشاهده میشود و همچنین به‌صورت مقایسهای در سالهای موردنظر در شکل (4) آمده است.
شکل 4- مقایسه مساحت کلاس‌های نقشه کاربری اراضی به‌دست‌آمده در سالهای 2000 و 2017
جدول 4- تغییرات کاربریهای پارک ملی بوجاق مربوط به سالهای 2000 و 2017
| بدون پوشش | پوشش علفی | دریا | پیکره آبی | باتلاقی | کشاورزی | درختی | ||||||||||
مساحت کل در تصویر سال 2000 | هکتار | 488.61 | 827.01 | 1462.68 | 204.93 | 788.4 | 104.67 | 49.41 | |||||||||
درصد | 12.47 | 21.11 | 37.33 | 5.04 | 20.12 | 2.11 | 1.26 | ||||||||||
مساحت کل در تصویر سال 2017 | هکتار | 523.53 | 695.61 | 1330.92 | 193.41 | 971.28 | 99.99 | 103.59 | |||||||||
درصد | 13.36 | 17.75 | 33.97 | 4.94 | 24.79 | 2.55 | 2.64 | ||||||||||
مساحت تغییریافته (درصد) | 64.376 | 34.694 | 13.758 | 47.973 | 32.717 | 59.845 | 10.200 | ||||||||||
اختلاف تصاویر (درصد) | 7.147 | 15.889- | 9.008- | 2.096- | 23.196 | 4.471- | 109.654 | ||||||||||
بر اساس نتایج جدول (4)، در بررسی پوشش زمین در منطقه موردمطالعه بیشترین مساحت در سال 2000 مربوط به پهنه دریا با 1462.68 هکتار و سپس پوشش علفی با 827.01 هکتار بوده است و عرصههای باتلاقی با 788.4 هکتار، بدون پوشش با 488.61 هکتار، پیکره آبی با 204.93 هکتار، کشاورزی با 104.67 هکتار و درختی با 49.41 هکتار در رتبههای بعدی قرار دارند. همچنین بیشترین مساحت در سال 2017 مربوط به پهنه دریا با 1330.92 هکتار و سپس پهنه باتلاقی با 971.28 هکتار در رتبه دوم قرار دارد و کاربریهای پوشش علفی با 695.61 هکتار، بدون پوشش با 523.53 هکتار، پیکره آبی با 193.41 هکتار، درختی با 103.59 هکتار و کشاورزی با 99.99 هکتار در رتبههای بعدی قرار دارند. بین سالهای 2000 تا 2017 عرصههای دریا، پوشش علفی، پیکره آبی و کشاورزی دارای کاهش مساحت بودند و سایر کاربریها افزایش مساحت داشتند.
بحث و نتیجهگیری
به‌طورکلی طبقهبندی و تهیه نقشه کاربریهای اراضی یکی از پرکاربردترین موارد استفاده از دادههای سنجش‌ازدور است و از ضروریترین اطلاعات موردنیاز مدیران و متولیان منابع طبیعی، نقشههای کاربری اراضی هست. با توجه به اهمیت زیاد انتخاب الگوریتم مناسب طبقهبندی تصاویر ماهوارهای، لازم است که دقت الگوریتمهای گوناگون در طبقهبندی تصاویر ماهوارهای مقایسه و الگوریتمهای دقیقتر شناسایی شوند. به همین منظور در پژوهش حاضر، دقت تصاویر حاصل از طبقهبندی دو الگوریتم ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای تصاویر ماهوارهای پارک ملی بوجاق مقایسه شدند.
طبق جدولهای (2 و 3) مشاهده شد که پهنه دریا با دقت تولیدکننده بالای 90 درصد طبقه‌بندی‌شده است (با هر دو روش). کاربریهای پوشش علفی، بدون پوشش و کشاورزی نیز از دقت تولیدکننده بالایی برخوردار هستند که این نشاندهنده قدرت تفکیک طیفی بالا برای این کلاسها است.
در این مطالعه پس از تصحیحات لازم و پیش‌پردازش‌های اولیه تصویر، اقدام به طبقهبندی تصویر به دو روش فوق گردید. هدف این مطالعه مقایسه دو روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان و تعیین بهترین روش برای طبقهبندی تصاویر ماهوارهای منطقه موردمطالعه بود. طبق نتایج روش ماشین بردار پشتیبان با صحت کل و ضریب کاپا بالاتر نسبت به روش شبکه عصبی مصنوعی عملکرد بهتری در تهیه نقشه کاربری اراضی در منطقه موردمطالعه داشته است. نتایج این پژوهش مشابه نتایجی است که برخی از محققان در مناطق گوناگون به آن دست‌یافته‌اند. به‌عنوان‌مثال، فتحیزاد و همکاران (1395)، رضاییمقدم و همکاران (1394)، جهت طبقهبندی کاربری اراضی طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی را مقایسه کردند و نتیجه گرفتند ماشین بردار پشتیبان عملکرد بهتری دارد. یوسفی و همکاران (1393) جهت تهیه نقشه کاربری اراضی شهرستان نور الگوریتمهای مختلف طبقهبندی را مقایسه کردند و نتیجه گرفتند ماشین بردار پشتیبان با میانگین ضرایب کلی و کاپا به ترتیب 90.94 درصد و 0.95 درصد نسبت به روشهای دیگر دارای دقت بالاتری است. میرزاییزاده و همکاران (1394) سه الگوریتم ماشین بردار پشتیبان، شبکه عصبی مصنوعی فازی آرتمپ و درخت تصمیمگیری جهت تهیه نقشه پوشش زمین حوزه آبخیز ارکواز استفاده کردند که ماشین بردار پشتیبان صحت کل بالاتری داشت. اسلمی و همکاران (1394) به مقایسه روشهای شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا برای استخراج کاربری و پوشش اراضی پرداختند که صحت کلی به ترتیب 89.91، 85.68 و 94.37 درصد برآورد شد که نشاندهنده برتری روش شیءگرا در مقایسه با دو روش دیگر بود و در رتبههای بعدی ماشین بردار پشتیبان و شبکه عصبی از صحت قابل قبولی برخوردار بودند. با توجه به تحقیقات انجام‌شده میتوان نتیجه گرفت که علاوه بر الگوریتم ماشین بردار پشتیبان، الگوریتم شبکه عصبی مصنوعی نیز دارای دقت قابل قبولی است که با نتایج آرخی و ادیبنژاد (1390)، مظاهری و همکاران (1392)، نیازی و همکاران (1389) مطابقت دارد. این نتایج نشاندهنده وابستگی روشهای مختلف طبقهبندی به شرایط منطقه و نوع تصاویر مورداستفاده بوده و همچنین ضرورت دارد با مقایسه روشهای مختلف طبقهبندی کاربری اراضی هر منطقه، روش مناسبتر معرفی گردد. نتایج به‌دست‌آمده از تغییرات مساحت کاربریها نشاندهنده کاهش عرصه دریا، پوشش علفی، پیکره آبی و کشاورزی و افزایش عرصه بدون پوشش، درختی، باتلاقی بین سالهای 2000 تا 2017 است. کاربری پیکره آبی که زیستگاه مهم پرندگان این پارک ملی است به‌شدت در حال تخریب هست. پارک ملی بوجاق همچون پارکهای بین‌المللی از ارزش علمی، آموزشی، کشاورزی، اقتصادی و توریستی برخوردار است. اهمیت علمی و اقتصادی آن به لحاظ تنوع زیستی گونههای پرندگان و ماهیان آن هست. سواحل ماسهای به‌عنوان یکی از رایجترین مناطق تفریحی در ایران به شمار میرود. سواحل دریاها علاوه بر زیبایی، نمونهای از زیستگاههای بسیار فعال وزنده و درعین‌حال آسیب‌پذیر است. با توجه به نقش مهم پارک ملی بوجاق در حفظ تنوع زیستی و خدماتی که ارائه میدهد، حفاظت از آن و جلوگیری از تخریب آن ضروری هست.
منابع
آرخی، صالح (1393). تهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روشهای شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال. نشریه علمی مرتع‌داری، 1(2)، 30-43.
آرخی، صالح؛ ادیبنژاد، مصطفی (1390). ارزیابی کارایی الگوریتمهای ماشین بردار پشتیبان جهت طبقهبندی کاربری اراضی با استفاده از دادههای ماهوارهای ETM+ لندست (مطالعه موردی: حوزه سد ایلام). تحقیقات مرتع و بیابانزایی، 18(3)، 420-440.
اسلمی، فرنوش؛ قربانی، اردوان؛ سبحانی، بهروز؛ پناهنده، محسن (1394). مقایسه روشهای شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شئگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 1-14.
بنیاد، امیراسلام؛ حاجی قادری، طه (1386). تهیه نقشه جنگلهای طبیعی استان زنجان با استفاده از دادههای سنجنده ETM+ ماهواره لندست 7. علوم آب‌وخاک، 11(42)، 627-638.
دانشی، علیرضا؛ وفاخواه، مهدی؛ پناهی، مصطفی (1395). مقایسۀ کارآیی الگوریتمهای ماشین بردار پشتیبان و حداکثر احتمال در آشکارسازی تغییرات کاربری اراضی (مطالعۀ موردی: حوضۀ آبخیز سیمینه‌رود(. سنجش‌ازدور و GIS ایران، 8(2)، 73-86.
رضاییمقدم، محمدحسین؛ ولیزاده کامران، خلیل؛ اندریانی، صغری؛ الماسپور، فرهاد (1394). مقایسه روشهای شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشههای کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای). نشریه علمی-پژوهشی جغرافیا و برنامهریزی، 19(52)، 163-183.
رسولی، علیاکبر (1387). مبانی سنجش‌ازدور کاربردی با تأکید بر پردازش تصاویر ماهوارهای. تبریز: دانشگاه تبریز.
فاطمیطلب، سیدرضا؛ معدنیپور کرمانشاهی، مرتضی؛ هاشمی، سیدآرمین (1394). برآورد تغییرات سطح پوشش جنگلهای رودسر با استفاده از روشهای طبقهبندی شبکه عصبی مصنوعی و حداکثر احتمال. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(2)، 33-44.
طرح جامع پارک ملی بوجاق (1392). پژوهشکده محیطزیست، جهاد دانشگاهی، استان گیلان.
فتحیزاد، حسن؛ صفری، عطا؛ بازگیر، مسعود؛ خسروی، غلامرضا (1395). ارزیابی و مقایسه روشهای ماشینبردارپشتیبان با کرنلهای خطی، چند جملهای و پایه شعاعی با شبکه عصبی مصنوعی برای طبقهبندی کاربری اراضی. فصلنامه علمی-پژوهشی تحقیقات مرتع و بیابان ایران، 23(4)، 729-743.
مختاری، محمدحسین؛ نجفی، احمد (1394). مقایسه روشهای طبقهبندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربریهای اراضی از تصاویر ماهوارهای لندست TM. مجله علوم و فنون کشاورزی و منابع طبیعی، 19(72)، 35-45.
مظاهری، محمودرضا؛ اسفندیاری، مهرداد؛ مسیحآبادی، محمدحسن؛ کمالی، اردوان (1392). پايش تغييرات زماني کاربري اراضي با استفاده از فن‌های سنجش‌ازدور و سيستم اطلاعات جغرافيايي (مطالعه موردي: جيرفت، استان کرمان). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(2)، 25-39.
مهدویان چشمه گل، علیاکبر؛ محمدحسینیان، شهرام (1393). مقایسه روشهای طبقهبندی ماکزیمم شباهت، نزدیکترین همسایه و شبکه عصبی برای تصاویر ماهوارهای، نخستین همایش ملی کاربرد مدلهای پیشرفته تحلیل فضایی (سنجش‌ازدور و GIS) در آمایش سرزمین، 5 و 6 اسفندماه، دانشگاه آزاد اسلامی، یزد.
میرزایی زاده، وحید؛ نیک نژاد، مریم؛ اولادی قادیکلایی، جعفر (1394). ارزیابی الگوریتمهای طبقهبندی نظارت‌شده غیر پارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 29-44.
نیازی، یعقوب؛ اختصاصی، محمدرضا؛ ملکی نژاد، حسین؛ حسینی، زینالعابدین (1389). مقایسه دو روش طبقهبندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی (مطالعه موردی: حوزه سد ایلام). جغرافیا و توسعه، 8(20)، 119-132.
یوسفی، صالح؛ تازه، مهدی؛ میرزایی، سمیه؛ مرادی، حمیدرضا؛ توانگر، شهلا (1393). مقایسه الگوریتمهای مختلف طبقهبندی تصاویر ماهوارهای در تهیه نقشه کاربری اراضی (مطالعه موردی: شهرستان نور). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(3)، 67-75.
Dixon, B., & Candade, N. (2008). Multispectral Land Use Classification Using Neural Networks and Support Vectormachines: One or the other, or Both?. International Journal of Remote Sensing, 29(4), 1185–1206.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Gualtieri, J.A., & Cromp, R.F. (1998). Support Vector Machines for Hyperspectral Remote Sensing Classification, In: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October, SPIE, Washington, DC, PP. 221-232.
Guo, Y., De Jong, K., Liu, F., Wang, X., & Li, C. (2012). A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification. Springer-verlag Berlin Heidelberg, ISICA, CCIS, 316, 531-539.
Huang, C., Davis, L.S., & Townshend, J.R.G. (2002). An Assessment of Support Vectormachines for Land Cover Classification. International Journal of Remote Sensing, 23(4), 725-749.
Jensen, J.R. (2000). Remote Sensing of the Environment: an Earth Resource Perspective (Upper Saddle River, NJ: Princeton Hall). pp:592.
Jiang, X., Lin, M., & Zhao, J. (2011). Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms, Fourth International Conferenceon Intelligent Computation Technology and Automation, 312-315.
Kavzoglu, T., & Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. Int. J. of Applied Earth Observation and Geoinformation, 11, 352-359.
Knorn, J., Rabe, A., Radeloff, V.C., Kuemmerle, T., Kozak. J., & Hostert, P. (2009). Land cover mapping of largeareas using chain classification of neighboring Landsat satellite images. Remote Sens, Environ, 113, 957-964.
Kun, j., Shunlin, L., Ning, Zh., Xiangqin, W., Xingfa, G., Xiang, Zh., Yunjun, Y., & Xianhong, X. (2014). Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data. Journal of Photogrammetry and Remote Sensing, 93, 49–55.
Lausch, A., & Herzog, F., (2002). Applicability of Landscape Metrics for the Monitoring of Landscape Change: Issues of Scale, Resolution and Interpretability, Ecological Indicators, 2, 3-15.
Lefsky, M.A., & Cohen, W.B. (2003). Selection of remotely sensed data. In: Remote sensing of forest environments. Springer, pp 13-46.
Richards J., A. (2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.
Yao, X., Tham, L.G., & Dai, F.C. (2008). Landslide Susceptibility Mapping Based on Support Vector Machine: A Case Study on Natural Slopes of Hong Kong, China, Geomorphology, 101, 572-582.
References
Arekhi, S. (2014). Comparing accuracy of artificial neural network, Support Vector Machine and maximum likelihood Algorithms for land use classification (Case study: Dashat Abbas arid region, Ilam Province). Journal of Gorgan University of Agricultural Sciences and Natural Resources,1(2), 30-43.(In Persian).
Arekhi, S., & Adibnejad, M. (2011). Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment). Iranian Journal of Rangeland and Desert Research, 18(3), 420-440. (In Persian). Doi: 10.22092/IJRDR.2011.102175
Aslami, F., Ghorbani, A., Sobhani, B., & Panahande, M. (2015). Comparing artificial neural network, support vector machine and object-based methods in preparation land use/cover mapsusing landSat-8 images. RS and GIS Techniques in Natural Resources, 6(3), 1-14. (In Persian).
Bonyad, A.A., & Hajighaderi, T. (2008). Inventorying and Mapping of Natural Forest Stands of Zanjan Province Using Landsat ETM+ Image Data. Water and Soil Science, 42(11), 627-638. (In Persian).
Daneshi, A., Vafakhah, M., & Panahi, M. (2016). Efficiency Comparison of Support Vector Machine and Maximum Likelihood Algorithms for Monitoring Land Use Changes. Remote sensing and GIS of Iran, 8(2), 73-86. (In Persian).
Dixon, B., & Candade, N. (2008). Multispectral Land Use Classification Using Neural Networks and Support Vectormachines: One or the other, or Both?. International Journal of Remote Sensing, 29(4), 1185–1206.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Fatemi Talab, R.S., Madanipour. M., & Hashemi, S.A. (2015). Estimating changes in forest cover in the Rudsar county by using neural network and maximum likelihood methods. Remote sensing and GIS in natural resources, 2(6), 33-44. (In Persian).
Fathizad, H., Safari, A., Bazgir, M., & Khosravi, GH. (2017). Evaluation of SVM with Kernel method (linear, polynomial, and radial basis) and neural network for land use classification. Iranian Journal of Rangeland and Desert Research, 4(23), 729-743. (In Persian).
Gualtieri, J.A., & Cromp, R.F. (1998). Support Vector Machines for Hyperspectral Remote Sensing Classification. In: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October, SPIE, Washington, DC, PP. 221-232.
Guo, Y., De Jong, K., Liu, F., Wang, X., & Li, C. (2012). A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification. International Symposium on Intelligence Computation and Applications, 316, 531-539.
Huang, C., Davis, L.S., & Townshend, J.R.G. (2002). An Assessment of Support Vectormachines for Land Cover Classification. International Journal of Remote Sensing, 23(4), 725-749.
Jensen, J.R. (2000). Remote Sensing of the Environment: an Earth Resource Perspective (Upper Saddle River, NJ: Princeton Hall). pp:592.
Jiang, X., Lin, M., & Zhao, J. (2011). Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms, Fourth International Conferenceon Intelligent Computation Technology and Automation, 312-315.
Kavzoglu, T., & Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11, 352-359.
Knorn, J., Rabe, A., Radeloff, V.C., Kuemmerle, T., Kozak. J., & Hostert, P. (2009). Land cover mapping of largeareas using chain classification of neighboring Landsat satellite images. Remote Sensing of Environment, 113, 957-964
Kun, j., Shunlin, L., Ning, Zh., Xiangqin, W., Xingfa, G., Xiang, Zh., Yunjun, Y., & Xianhong, X. (2014). Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data. ISPRS Journal of Photogrammetry and Remote Sensing, 93, 49–55.
Lausch, A., & Herzog, F., (2002). Applicability of Landscape Metrics for the Monitoring of Landscape Change: Issues of Scale, Resolution and Interpretability. Ecological Indicators, 2, 3-15. https://doi.org/10.1016/S1470-160X(02)00053-5
Lefsky, M.A., & Cohen, W.B. (2003). Selection of remotely sensed data. In: Remote sensing of forest environments. Springer, pp 13-46.
Mahdavian Cheshmeh Gol, A.A., & Mohammad Hoseinian, Sh. (2014). Comparison of maximum likelihood classification, nearest neighbor and neural network for satellite imagery. The first national conference on the use of advanced spatial analysis (remote sensing and GIS) models in landing. 5 and 6 March 2015, Islamic Azad University, Yazd ,Iran. (In Persian).
Master Plan of Bojagh National Park. (2011). Environmental Research Institue Academic Center for Education culture and Research., Rasht, Iran. (In Persian).
Mazaheri, M.R., Esfandiari, M., Masih Abadi, M.H., & Kamali, A. (2013). Detecting temporal land use changes using remote sensing and GIS techniqes (Case study: Jiroft, Kerman Province). Remote sensing and GIS in natural resources, 4(2), 25-40. (In Persian).
Mirzaei Zadeh, V., Nik Nezhad, M., & Oladi, J. (2015). Evaluating non-parametric supervised classification algorithms in land cover map using LandSat-8 Images. Remote sensing and GIS in natural resources, 6(3), 1-14. (In Persian).
Mokhtari, M.H., & Najafi, A. (2015). Comparison of Support Vector Machine and Neural Network Classification Methods in Land Use Information Extraction through Landsat TM Data. Water and Soil Science, 19(72), 25-45. (In Persian).
Neiazi,Y., M.R. Ekhtesasi., H. Malekinezhad., S.Z. Hoseini., and J. Morshedi. 2010. Comparibson Between two Classification Methods of Maximum likelihood and Artificial Neural Network for Providing Land use Maps Case Study: Ilam Dam Area. Geography and Development, 8(20), 119-132. (In Persian).
Rasuli, A.A. (2008). principles of applied remote sensing. Tabriz: Tabriz University. (In Persian).
Rezaei Moghaddam,M.H., & Valizadeh Kamran, Kh. (2015). Comparison of ANN and SVM methods in extraction Land Use/ Land Cover maps from Landsat 8 satellite image (Case Study: Sufi Chay Basin). Geography and Planning journal, 19(52),163-183. (In Persian).
Richards J., A. (2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.
Yao, X., Tham, L.G., & Dai, F.C. (2008). Landslide Susceptibility Mapping Based on Support Vector Machine: A Case Study on Natural Slopes of Hong Kong, China, Geomorphology, 4(101), 572-582. https://doi.org/10.1016/j.geomorph.2008.02.011
Yosefi, S., Tazeh, M., Mirzaei, S., Moradi, H.R., & Tavangar, Sh. (2014). Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Remote sensing and GIS in natural resources, 5(3), 67-76. (In Persian).
Comparison support vector machine and artificial neural network classification methods to produce landuse maps (Case study: Bojagh National Park)
Abstract
National parks and wildlife shelter are the most important natural heritages.therefore, knowledge Various algorithms have been developed to classify satellite imagery in remote sensing, selecting an appropriate classification algorithm plays a very important role in achieving the accurate results. In this research, by comparing the classification efficiency of two algorithms of artificial neural network and support vector machine, a more accurate algorithm was determined and used to examine the land use changs. The present study was performed in Boujagh National Park, in the Guilan Province, between years 2000 and 2017, using satellite imagery ETM and OLI of Landsat 7 and 8. The results of the research revealed that the support vector machine algorithm respectively with Overall accuracy and Kappa coefficient, 86.42 and 0.83 for the year 2000 and, 90.65 and 0.88 for the year 2017, classified the satellite images more precisely, in comparison with the artificial neural network algorithm respectively with Overall accuracy and Kappa coefficient, 83.71 and 0.80 for the year 2000 and Overall accuracy and Kappa coefficient 89.25 and 0.87 for the year 2017. Therefore, land use maps of the support vector machine algorithm were used changes determination. The study of land use change by this method concluded that areas of the waterbody, sea, grassland and agriculture have decreased and marshland, man-made, woody and bare lands showed an increase during the study period.
Keywords
Land cover changes, Bojagh national park, support vector machine algorithm, Artificial neural network
[1] .Kun
[2] .Lausch & Herzog
[3] 3 .Knorn
[4] .Jensen
[5] . Neural Network Artificial
[6] .Foody
[7] . Support Vector Machines
[8] .Dixon & Candade
[9] . Yao
[10] .Huang
[11] .Guo
[12] .Richards
[13] . Gualtieri & Cromp
[14] . Kavzoglu & Colkesen
[15] .Jiang
[16] .Kappa coefficient
[17] .Overall accuracy
[18] .Lefsky and Cohen
