RT - Journal Article T1 - Comparing Efficiency of Artificial Neural Network and Decision Tree Methods In Preparing of Land Use Layer Using ETM+ Data (Case Study: Darashar Catchment) JF - geospace YR - 2014 JO - geospace VO - 13 IS - 44 UR - http://geographical-space.iau-ahar.ac.ir/article-1-822-fa.html SP - 0 EP - 0 K1 - : Land use K1 - Image classification K1 - Perceptron multi-layer classifier K1 - Kohonen classifier K1 - Fuzzy Artmap classifier K1 - decision tree K1 - ETM+ K1 - Daresher Catchment K1 - Ilam province. AB - یکی از ضروری‌ترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشه‌های کاربری اراضی می باشد. طی سال های گذشته، کاربردهای زیادی از روش‌های طبقه بندی شبکه عصبی مصنوعی برای طبقه بندی پوشش گیاهی در منابع گزارش شده است، اما مطالعات معدودی، استفاده از روش‌های طبقه بندی درختی و مقایسه آن‌ها با روش‌های شبکه عصبی مصنوعی ارزیابی نموده‌اند. در این مطالعه، ابتدا تصحیحات هندسی و رادیومتری بر روی داده‌های ETM+ صورت گرفت. سپس با بازدیدهای میدانی، طبقات مختلف کاربری اراضی تعریف و نمونه‌های آموزشی انتخاب گردید. در این مطالعه، هدف اصلی مقایسه سه الگوریتم طبقه بندی شبکه عصبی مصنوعی برای طبقه بندی پوشش سطح زمین حوزه دره شهر استان ایلام می باشد. در ضمن، کارکرد این روش‌ها با روش طبقه بندی درختی با سه روش انشعاب مقایسه شده است. نتایج حاصل از ارزیابی دقت تصاویر طبقه بندی شده نشان داد که روش طبقه بندی شبکه عصبی (به جز کوهونن) با دقت کل متوسط 92 و ضریب کاپای 90/0 دارای دقت بیشتری نسبت به روش طبقه بندی درختی (با سه روش انشعاب) با دقت کل متوسط 90 و ضریب کاپای 88/0 می باشد. به علاوه، زمانی که روش‌های مختلف شبکه عصبی مورد آنالیز قرار گرفت، مشخص گردید که روش شبکه عصبی آرتمپ فازی نسبت به روش‌های پرسپترو و کوهونن دقت بالاتری (با دقت کل 2% و 22% و ضریب کاپای 3% و 24% بیشتر) داشت. در این تحقیق، بالاترین دقت طبقه بندی مربوط به طبقه بندی شبکه عصبی مصنوعی آرتمپ فازی بود. بنابراین این مطالعه کارایی و قابلیت الگوریتم های شبکه عصبی مصنوعی را در طبقه بندی تصاویر سنجش از دور اثبات می نماید. LA eng UL http://geographical-space.iau-ahar.ac.ir/article-1-822-fa.html M3 ER -