چکیده:
از ﺟﻤﻠﻪ ﻋﻮاﻣﻞ ﻣﻬﻢ در ﺑﺮﻧﺎﻣﻪرﯾﺰی و ﻣﺪﯾﺮﯾﺖ ﺷﻬﺮی، ﺑﻪ وﯾﮋه در راﺳﺘﺎی ﻧﯿﻞ ﺑﻪ ﺗﻮﺳﻌﻪیﭘﺎﯾﺪار در ﻧﻮاﺣﯽ ﺷﻬﺮی و اﺳﺘﻔﺎده ﺑﻬﯿﻨﻪ از ﺳﺮزﻣﯿﻦ، اﻃﻼع ﺑﻬﻨﮕﺎم از وﺿﻌﯿﺖ ﭘﻮﺷﺶ اراﺿﯽ ﺑﺮایاﯾﻦ ﻣﻨﺎﻃﻖ اﺳﺖ. دادهﻫﺎی ﺳﻨﺠﺶ از دور ﺑﻪ ﺟﻬﺖ اراﺋﻪی اﻃﻼﻋﺎت ﺑﻪ ﻫﻨﮕﺎم و رﻗﻮﻣﯽ، ﺗﻨﻮعاﺷﮑﺎل و اﻣﮑﺎن ﭘﺮدازش ﭘﺘﺎﻧﺴﯿﻞ ﺑﺎﻻﯾﯽ ﺑﺮای ﺗﻬﯿﻪی ﻧﻘﺸﻪﻫﺎی ﺑﻪ روز ﮐﺎرﺑﺮی اراﺿﯽ ﺷﻬﺮیدارﻧﺪ. در اﯾﻦ ﺗﺤﻘﯿﻖ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺼﻮﯾﺮ ﻣﺎﻫﻮارهای + Landsat/ETMو دو اﻟﮕﻮرﯾﺘﻢ ﻃﺒﻘﻪﺑﻨﺪیﻧﻈﺎرت ﺷﺪه ﺷﺎﻣﻞ ﺣﺪاﮐﺜﺮ اﺣﺘﻤﺎل و ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ، ﻧﻘﺸﻪ ﮐﺎرﺑﺮی اراﺿﯽ ﺗﻬﯿﻪ و ﺑﺎﯾﮑﺪﯾﮕﺮ ﻣﻘﺎﯾﺴﻪ ﮔﺮدﯾﺪ. در ﻃﺒﻘﻪﺑﻨﺪی ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﺷﺒﮑﻪ ﻋﺼﺒﯽ از ﯾﮏ ﺷﺒﮑﻪﭘﺮﺳﭙﺘﺮون ﺑﺎ ﯾﮏ ﻻﯾﻪ ﭘﻨﻬﺎن و 7 ﻧﺮون ورودی، 9 ﻧﺮون ﻣﯿﺎﻧﯽ و 4 ﻧﺮون ﺧﺮوﺟﯽ اﺳﺘﻔﺎده ﺷﺪهاﺳﺖ ﮐﻪ ﺗﻌﺪاد ﻧﺮونﻫﺎی ورودی ﻫﻤﺎن ﺗﻌﺪاد ﺑﺎﻧﺪﻫﺎی ﺗﺼﻮﯾﺮ ﻣﺎﻫﻮارهای ﻟﻨﺪﺳﺖ و ﺗﻌﺪاد ﻧﺮونﻫﺎیﺧﺮوﺟﯽ ﻫﻤﺎن ﺗﻌﺪاد ﮐﻼسﻫﺎی ﻧﻘﺸﻪ ﮐﺎرﺑﺮی اراﺿﯽ ﻣﯽﺑﺎﺷﺪ. در ﻧﻬﺎﯾﺖ ﻧﻘﺸﻪ ﭘﻮﺷﺶ اراﺿﯽﻣﻨﻄﻘﻪ ﺑﻪ ﭼﻬﺎر ﻃﺒﻘﻪی ﻣﻨﺎﻃﻖ ﻣﺴﮑﻮﻧﯽ، اراﺿﯽ ﺑﺎﯾﺮ، ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ و ﺟﺎده ﻃﺒﻘﻪﺑﻨﺪی ﺷﺪ.ﺑﺮای ارزﯾﺎﺑﯽ ﺻﺤﺖ ﻧﺘﺎﯾﺞ ﻃﺒﻘﻪﺑﻨﺪی، ﺑﺮداﺷﺖﻫﺎی زﻣﯿﻨﯽ ﺑﺎ اﺳﺘﻔﺎده از GPSاﻧﺠﺎم ﮔﺮﻓﺖ. ﻧﺘﺎﯾﺞﺣﺎﺻﻞ از ارزﯾﺎﺑﯽ دﻗﺖ اﯾﻦ دو روش ﺑﺎ اﺳﺘﻔﺎده از ﺻﺤﺖ ﮐﻠﯽ و ﺿﺮﯾﺐ ﮐﺎﭘﺎ ﻧﺸﺎن داده اﺳﺖ ﮐﻪاﻟﮕﻮرﯾﺘﻢ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﺮﺳﭙﺘﺮون ﺑﺎ دﻗﺖ ﮐﻠﯽ 42/89 و ﺿﺮﯾﺐ ﮐﺎﭘﺎی 3079/0 ﻧﺴﺒﺖ ﺑﻪاﻟﮕﻮرﯾﺘﻢ ﺣﺪاﮐﺜﺮ اﺣﺘﻤﺎل ﺑﺎ دﻗﺖ ﮐﻠﯽ 32/49 و ﺿﺮﯾﺐ ﮐﺎﭘﺎی 4309/0 از دﻗﺖ ﺑﯿﺶ ﺗﺮیﺑﺮﺧﻮردار اﺳﺖ. ﻫﻤﭽﻨﯿﻦ در اﯾﻦ ﺗﺤﻘﯿﻖ ارزﯾﺎﺑﯽ ﺷﺪ ﮐﻪ روش ﻃﺒﻘﻪﺑﻨﺪی ﺷﺒﮑﻪی ﻋﺼﺒﯽ * ﻧﻮﯾﺴﻨﺪه راﺑﻂ: e.akbari@hsu.ac.ir1 majid_ebrahimi2@yahoo.com 821 ﻓﺼﻞ ﻧﺎﻣﻪ آﻣﺎﯾﺶ ﻣﺤﯿﻂ، ﺷﻤﺎره 32ﭘﺮﺳﭙﺘﺮون ﭼﻨﺪ ﻻﯾﻪ، ﻧﺴﺒﺖ ﺑﻪ روش ﺣﺪاﮐﺜﺮ اﺣﺘﻤﺎل، از ﺗﻮان ﺗﻔﮑﯿﮏ و ﻗﺎﺑﻠﯿﺖ ﺑﯿﺶ ﺗﺮی ﺑﺮای ﺗﻬﯿﻪی ﻧﻘﺸﻪ ﭘﻮﺷﺶ اراﺿﯽ در ﻣﻨﺎﻃﻖ ﺷﻬﺮی ﺑﺮﺧﻮردار ﻣﯽﺑﺎﺷﺪ.
خلاصه ماشینی:
" راﺑﻄﻪی)4( m net j wij oi iI : W ijوزن ﺑﯿﻦ ﮔﺮوه Iو j؛ : Oiﺧﺮوﺟﯽ ﺣﺎﺻﻞ از ﮔﺮه ) iﺑﺮاﺳﺎس راﺑﻄﻪی ﺷﻤﺎره ی 5( راﺑﻄﻪی)5( ) O j f ( net j در اﯾﻦ ﻣﻄﺎﻟﻌﻪ در ﻃﺒﻘﻪﺑﻨﺪی دادهﻫﺎ ﺑﻪ ﮐﻤﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ، از ﯾﮏ ﺷﺒﮑﻪ ﭘﺮﺳﭙﺘﺮون ﺑﺎ ﯾﮏ ﻻﯾﻪی ﭘﻨﻬﺎن و 7 ﻧﺮون ورودی، 9 ﻧﺮون ﻣﯿﺎﻧﯽ و 4 ﻧﺮون ﺧﺮوﺟﯽ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ﮐﻪ ﺗﻌﺪاد ﻧﺮونﻫﺎی ورودی ﻫﻤﺎن ﺗﻌﺪاد ﺑﺎﻧﺪﻫﺎی ﺗﺼﻮﯾﺮ ﻣﺎﻫﻮارهای ﻟﻨﺪﺳﺖ و ﺗﻌﺪاد ﻧﺮون ﻫﺎی ﺧﺮوﺟﯽ ﻫﻤﺎن ﺗﻌﺪاد ﮐﻼسﻫﺎی ﻧﻘﺸﻪ ﮐﺎرﺑﺮی اراﺿﯽ ﻣﯽﺑﺎﺷﺪ.
ﺟﺪول 2: ﺷﺎﺧﺺ واﮔﺮاﯾﯽ ﺗﺒﺪﯾﻞ ﺷﺪه ی ﮐﺎرﺑﺮی اراﺿﯽ ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ ﺟﺎده اراﺿﯽ ﺑﺎﯾﺮ ﻣﻨﺎﻃﻖ ﻣﺴﮑﻮﻧﯽ ﻧﺎم ﻃﺒﻘﻪ 0 99/9991 0002 99/9991 ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ 0 24/8991 36/9991 ﺟﺎده 0 27/8991 اراﺿﯽ ﺑﺎﯾﺮ 0 ﻣﺴﮑﻮﻧﯽ ﻣﺄﺧﺬ: ﻧﮕﺎرﻧﺪﮔﺎن 1 - Kappa Coefficient 2 - Overall accuracy 3 )- Ground Control points (GSP 041 ﻓﺼﻞ ﻧﺎﻣﻪ آﻣﺎﯾﺶ ﻣﺤﯿﻂ، ﺷﻤﺎره 32 ﭘﺲ از اﻧﺘﺨﺎب ﺑﻬﺘﺮﯾﻦ ﻧﻤﻮﻧﻪﻫﺎی ﺗﻌﻠﯿﻤﯽ، ﻃﺒﻘﻪﺑﻨﺪی ﻧﻈﺎرت ﺷﺪه ﺑﻪ روش ﺣﺪاﮐﺜﺮ اﺣﺘﻤﺎل ﺻﻮرت ﭘﺬﯾﺮﻓﺖ و ﺑﺮای ﺗﻌﯿﯿﻦ ﺻﺤﺖ ﻃﺒﻘﻪﺑﻨﺪی از ﺗﺼﺎوﯾﺮ رﻧﮕﯽ ﮐﺎذب و ﺑﺮداﺷﺖﻫﺎی ﻣﯿﺪاﻧﯽ اﺳﺘﻔﺎده ﺷﺪ ﺑﺮ اﺳﺎس ﻧﺘﺎﯾﺞ ﺑﻪ دﺳﺖ آﻣﺪه از ﻣﺎﺗﺮﯾﺲ ﺧﻄﺎی ﻃﺒﻘﻪﺑﻨﺪی ﭘﻮﺷﺶ اراﺿﯽ ﺑﻪ روش ﺣﺪاﮐﺜﺮ اﺣﺘﻤﺎل، ﺻﺤﺖ ﮐﻠﯽ ﻃﺒﻘﻪﺑﻨﺪی 32/49 درﺻﺪ ﺑﺮآورد ﺷﺪ.
ﭘﺲ از اﻧﺘﺨﺎب ﺑﻬﺘﺮﯾﻦ ﻧﻤﻮﻧﻪﻫﺎی ﺗﻌﻠﯿﻤﯽ، ﻃﺒﻘﻪﺑﻨﺪی ﻧﻈﺎرتﺷﺪه ﺑﻪ روش ﺷﺒﮑﻪی ﭘﺮﺳﭙﺘﺮون ﭼﻨﺪ ﻻﯾﻪ روی ﺑﺎﻧﺪﻫﺎی ﺗﺼﻮﯾﺮ+ Landsat/ETMاﻧﺠﺎم ﺷﺪ و ﻧﻘﺸﻪ ﺣﺎﺻﻠﻪ در 4 ﻃﺒﻘﻪ ﺗﻬﯿﻪ ﮔﺮدﯾﺪ و ﺻﺤﺖ ﮐﻠﯽ ﻃﺒﻘﻪﺑﻨﺪی ﺑﺮ اﺳﺎس ﻧﺘﺎﯾﺞ ﺑﻪ دﺳﺖ آﻣﺪه از ﻣﺎﺗﺮﯾﺲ ﺧﻄﺎی ﻃﺒﻘﻪﺑﻨﺪی ﭘﻮﺷﺶ اراﺿﯽ 42/89 درﺻﺪ ﺑﺮآورد ﺷﺪ."