fa مقایسه کارایی الگوریتم های طبقه بندی شبکه عصبی مصنوعی و درختی درتهیه لایه کاربری اراضی با کمک داده های ETM+ (مطالعه موردی: حوضه دره شهر استان ایلام) تخصصي Special پژوهشي Research 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. Land use maps are the most essential tools and information in the hand of natural resources managers. Over the last years, many applications of neural network classifiers for land use classification have been reported in the literature, but few studies have assessed the use of decision tree classifiers and their comparison. In this study, first, geometric and radiometric corrections were performed on ETM+ data. Then, with field surveying, the various land cover classes were defined and training areas were selected. The main objective of this study is to compare three artificial neural network methods for land cover classification in Daresher catchment of Ilam province. Meanwhile, the performance of these algorithms has been compared with that obtained using decision tree (with three siplitting methods). The obtained results of accuracy assessment of the classified images showed that neural network classification methods (except Kohonen method) outperformed with overall mean accuracy of 92 and Kappa coefficient of 0.90 than by decision tree with mean overall mean accuracy of 90 and Kappa coefficient of 0.88. In addition, when different neural networks classifiers were analysed, fuzzy artmap approach outperformed than by perceptron multi-layer and Konohon classifiers in terms of overall Kappa coefficient accuracies (with more overall accuracies of %2, %22 and Kappa coefficients of %3 and %24). The highest accuracy of artificial neural network was with fuzzy artmap method. So, this study confirms efficiency and capability of artificial neural network methods for land cover classification. کاربری اراضی, طبقه بندی تصویر, شبکه عصبی پرسپترون, شبکه عصبی کوهونن, شبکه عصبی آرتمپ فازی, طبقه بندی درختی, ETM+, حوزه دره شهر, استان ایلام. : Land use, Image classification, Perceptron multi-layer classifier, Kohonen classifier, Fuzzy Artmap classifier, decision tree, ETM+, Daresher Catchment, Ilam province. 0 0 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-1-28&slc_lang=fa&sid=1 صالح آرخی 10031947532846002841 10031947532846002841 Yes دانشکده علوم انسانی، دانشگاه گلستان یعقوب نیازی 10031947532846002842 10031947532846002842 No حیدر ابراهیمی 10031947532846002843 10031947532846002843 No دانشکده منابع طبیعی دانشگاه زابل