مقایسه روش های طبقه بندی برای پوشش کاربری زمین در تصاویر IKONOS ( مورد مطالعه : محله امانیه، کلانشهر اهواز)
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 708
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ARCHCONF03_253
تاریخ نمایه سازی: 8 آبان 1395
چکیده مقاله:
در سال های اخیر دادهای ماهواره ای کمک شایانی به بسیاری از رشته ها که با علوم زمین در ارتباط اند کرده اند. شهرها به عنوان کانون های تمرکز فعالیت و زندگی انسان ها نیازمند اطلاعات برای مدیریت بهتر می باشند و پردازش تصاویر ماهواره ای می تواند اطلاعات ارزشمندی را در اختیار برنامه ریزان شهری قرار دهند رایج ترین نوع این نوع پردازش ها، طبقه بندی می باشد. طبقه بندی تصاویر ماهواره ای فرایند پیچیده ای است که ممکن است به وسیله ی بسیاری از فاکتورها تحت تأثیر قرار گیرد. در این پژوهش با استفاده از نرم افزار ENVI تصویر ماهواره ای سال 2008 میلادی سنجنده آیکونوس از لحاظ خطاهای رادیومتریکی که شامل دو نوع خطای اتمسفری و خطای دستگاهی ( خطوط جا افتاده و خطای نوار نوار شدن ) می باشد، مورد بررسی قرار گرفته و در صورت نیاز اصلاح شده اند در این پژوهش از روش تحلیل تطبیقی استفاده شده و برای مشخص نمودن روش بهینه طبقه بندی، سه روش جعبه ای ( متوازی السطوح )،روش ماشین بردار پشتیبان و روش فاصله ماهالانوبیس برای طبقه بندی تصویر ماهواره ای سنجنده IKONOS سال 2008 از محله امانیه مورد مقایسه قرار گرفته اند، در این راستا کلاس های مورد نظر در 7 طبقه ( سطوح سبز، درختان، ساخته شده، آب، خیابان، زمین های خالی و سایه ) طبقه بندی شده اند با توجه به میزان دقت کلی و ضریب کاپای بدست آمده، به ترتیب روش ماشین بردار پشتیبان، روش فاصله ماهالانوبیس و روش متوازی السطوح دارای بیشترین دقت می باشند.
کلیدواژه ها:
نویسندگان
حسین حاتمی نژاد
استادیار جغرافیا و برنامه ریزی شهری دانشگاه تهران
نبی مرادپور
دانشجوی کارشناسی ارشد، رشته جغرافیا و برنامه ریزی شهری، دانشگاه تهران
سعید حیدری نیا
کارشناسی ارشد، رشته جغرافیا و برنامه ریزی شهری، دانشگاه شهید چمران اهواز
عیسی قاسمی طوسی
کارشناسی ارشد جغرافیا و برنامه ریزی شهری، دانشگاه پیام نور ساری
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 :