اخبار و اعلانات

 آمار

تعداد نشریات283
تعداد نشریات سازمان81
تعداد شماره‌ها2,729
تعداد مقالات31,081
تعداد مشاهده مقاله29,021,973
تعداد دریافت فایل اصل مقاله16,335,503
صدیقی, محمد, امینی, امیر شاهرخ. (1399). طبقه‌بندی حوضه آبی دریاچه پریشان به روش طبقه‌بندی جنگل تصادفی با استفاده از تصاویر ماهواره لندست. سامانه مدیریت نشریات علمی, 12(3), 621-634. doi: 10.22092/ijwmse.2019.127500.1708
محمد صدیقی; امیر شاهرخ امینی. "طبقه‌بندی حوضه آبی دریاچه پریشان به روش طبقه‌بندی جنگل تصادفی با استفاده از تصاویر ماهواره لندست". سامانه مدیریت نشریات علمی, 12, 3, 1399, 621-634. doi: 10.22092/ijwmse.2019.127500.1708
صدیقی, محمد, امینی, امیر شاهرخ. (1399). 'طبقه‌بندی حوضه آبی دریاچه پریشان به روش طبقه‌بندی جنگل تصادفی با استفاده از تصاویر ماهواره لندست', سامانه مدیریت نشریات علمی, 12(3), pp. 621-634. doi: 10.22092/ijwmse.2019.127500.1708
صدیقی, محمد, امینی, امیر شاهرخ. طبقه‌بندی حوضه آبی دریاچه پریشان به روش طبقه‌بندی جنگل تصادفی با استفاده از تصاویر ماهواره لندست. سامانه مدیریت نشریات علمی, 1399; 12(3): 621-634. doi: 10.22092/ijwmse.2019.127500.1708

طبقه‌بندی حوضه آبی دریاچه پریشان به روش طبقه‌بندی جنگل تصادفی با استفاده از تصاویر ماهواره لندست

مهندسی و مدیریت آبخیز
مقاله 2، دوره 12، شماره 3، مهر 1399، صفحه 621-634    اصل مقاله (2.52 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/ijwmse.2019.127500.1708
نویسندگان
محمد صدیقی* 1؛ امیر شاهرخ امینی2
1دانشجوی کارشناسی‌ارشد سنجش از دور، ، واحد تهران جنوب، دانشگاه ازاد اسلامی، تهران، ایران
2استادیار، گروه مهندسی نقشه‌‎برداری، واحد تهران جنوب، دانشگاه ازاد اسلامی، تهران، ایران
چکیده
بحران کمبود آب موجود در جهان، مدیریت آب در بخش‌های مختلف از جمله حوضه­‌های آبی و کشاورزی را تحت تاثیر قرار داده است. حوضه‌های آبی و زمین­‌های اطراف آن­‌ها درطول سال­‌های اخیر با چالش­‌های جدی از قبیل خشک‌­شدن دریاچه‌­­ها و رودها، بیلان منفی آبخوان­‌ها، تغییرات کاربری زمین­‌های اطراف، افزایش سطح زیر­کشت اراضی­ زراعی آبی و باغی و تغییر الگوی­ کشت از سمت محصولات کم­‌مصرف به محصولاتی با نیاز آبی بالا مواجه شده‌­اند. استفاده از تصاویر ماهواره‌­ای به‌­دلیل پوشش وسیع مکانی، قدرت تفکیک بالا، هزینه کم، آرشیو زمانی غنی تصاویر ماهواره‌ای و سهولت روش­‌های تعیین کاربری، ابزاری مناسب و کار­آمد برای کمک به مدیریت منابع آب ‌و خاک است. در این پژوهش، چهار­­­ طبقه خاک، آب و مناطق مرطوب، شهری و کشاورزی انتخاب شده­‌اند. سپس، از دو روش طبقه‌­بندی جنگل­ تصادفی و ماشین­‌های بردار ­پشتیبان­، برای طبقه­‌بندی تصاویر استفاده شده است. روش­‌های طبقه‌­بندی با محاسبه دو شاخص دقت کلی و ضریب کاپا با استفاده از داده‌­های تست بررسی شدند. طبقه‌­بندی جنگل تصادفی در چهار سال 2012، 2014، 2016 و 2018 و طبقه‌­بندی ماشین­‌های بردار­ پشتیبان در دو­ سال 2008 و 2010 بالاترین دقت را دارند. بنابراین، الگوریتم جنگل ­تصادفی در تفکیک طبقه­‌ها به­‌خصوص حوضه ­آبی به­‌خوبی عمل کرده ­است و می‌­توان به­‌عنوان روشی قابل ­اعتماد از آن در این حوضه بهره­ برد.
کلیدواژه‌ها
بردار پشتیبان؛ طبقه‌بندی پوشش زمین؛ طبقه‌بندی عوارض؛ ضریب کاپا؛ مدیریت منابع
عنوان مقاله [English]
Classification Lake Parishan water basin by random forest classification using Landsat satellite images
نویسندگان [English]
Mohammad Sedighi1؛ amir shahrokh amini2
1MSc Student in Remote Sensing, Islamic Azad University, South Tehran Branch, Islamic Azad University, Tehran, Iran
2Assistant Professor, Department of Surveying Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده [English]
The global water scarcity crisis is affecting water management in various sectors, including water and agriculture. Aquatic basins and their surrounding areas have been encountered with serious challenges such as drying up of lakes and rivers, negative aquifer balance, changes in surrounding land use, increased cultivation of irrigated and horticultural lands, and changes in the pattern of cultivation from low-crop to high-water crops in recent years. Satellite imagery due to its wide spatial coverage, high resolution, low cost, rich time archive of satellite imagery and ease of use methods is a useful and efficient tool to help manage water and soil resources. In this study, four classes of soil, water and wet, urban and agricultural areas were selected. Then, two random forest classification methods and support vector machines are used to classify images. Classification methods were evaluated by calculating two indices of accuracy and Kappa coefficient using test data. The random forest classification in the four years, 2012, 2014, 2016 and 2018 and classification of support vector machines in two years, 2008 and 2010 have the most accuracy. Therefore, the random forest algorithm has worked well in separating the classes, especially in water basin, and can be used as a reliable method in this area.
کلیدواژه‌ها [English]
Classification methods, Landsat Image, Parishan Lake, Random forest, Water basin
مراجع
  1. Ahmadpour, A., K. Soleimani, M. Shokri and J. Ghorbani. 2011. Comparison of the effectiveness of three common methods of supervised classification of satellite data in vegetation study. Journal of Remote Sensing and GIS in Natural Resources Science, 2(2): 69-80 (in Persian).
  2. Alimohammadi, A., A.A. Metkan, P. Ziaeian and H. Tabatabaei. 2009. Comparison of base pixel, base object and decision tree classification methods in mapping forest types using remote sensing data , case study: Astara. Forest-Geographical Research Journal, 10(13): 1-20 (in Persian).
  3. Fathiyan, F., S. Morid and S. Arshad. 2013. Evaluation of land use change trends using remote sensing technology and its relation to river flow process, case study: east of Urmia Lake basins. Journal of Water and Soil, 3: 642-655 (in Persian).
  4. Genuer, R., J.M. Jean and C. Tuleau-Malot. 2010. Variable selection using random forests. Pattern Recognition Letters, 31(14): 2225-2236.
  5. Ghasemi Esfahan, A. 2013. Investigation of stochastic forest method to improve urban land cover classification using satellite images. MSc Thesis, School of Surveying Engineering, Khaje Nasireddin Toosi University, 121 pages (in Persian).
  6. Jin, J. 2012. A random forest based method for urban land cover classification using LiDAR data and aerial imagery. UWSpace, 142 page.
  7. Najafi, A., S. Azizi Ghalati and M.H. Mokhtari. 2016. Application of support vector machine in land use classification of Cheshmeh Kileh Basin, Chalkroud. Journal of Watershed Management, Eighth Year, 15: 92-101 (in Persian).
  8. Samani, A.A., M. Ghorbani and H.R. Kouhbani. 2010. Evaluation of land use changes in Taleghan Watershed in the period of 1366 to 2001. Scientific Research Journal, 3: 442-451 (in Persian).
  9. Shenani Hoveizeh, S.M. and H. Zarei. 2016. Investigating land use changes over two decades of time, case study: Abol Abbas Watershed. Journal of Watershed Management, 14(7): 237-244 (in Persian).
  10. Smith, A. 2010. Image segmentation scale parameter optimization and land cover classification using the random forest algorithm. Journal of Spatial Science, 55(1): 69-79 (in Persian).
  11. Zebardast, L. and H.R. Jafari. 2010. Evaluation of trends in Anzali Wetland using remote sensing and management solution. Environmental Studies, 37(57): 57-64 (in Persian).
آمار
تعداد مشاهده مقاله: 485
تعداد دریافت فایل اصل مقاله: 314


counter
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب