دانشگاه آزاد اسلامی واحد علوم و تحقیقات

 آمار

تعداد نشریات50
تعداد شماره‌ها2,079
تعداد مقالات19,525
تعداد مشاهده مقاله22,889,350
تعداد دریافت فایل اصل مقاله21,125,252
مهدوی سعیدی, امین, بابایی کفاکی, ساسان, متاجی, اسداله. (1401). توسعه و ارتقاء روش های طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD) در داده ماهواره ای با وضوح بالا GEOEYE. (مطالعه موردی: جنگل های هیرکانی رامسر-صفارود). , (), -. doi: 10.30495/jest.2022.62275.5457
امین مهدوی سعیدی; ساسان بابایی کفاکی; اسداله متاجی. "توسعه و ارتقاء روش های طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD) در داده ماهواره ای با وضوح بالا GEOEYE. (مطالعه موردی: جنگل های هیرکانی رامسر-صفارود)". , , , 1401, -. doi: 10.30495/jest.2022.62275.5457
مهدوی سعیدی, امین, بابایی کفاکی, ساسان, متاجی, اسداله. (1401). 'توسعه و ارتقاء روش های طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD) در داده ماهواره ای با وضوح بالا GEOEYE. (مطالعه موردی: جنگل های هیرکانی رامسر-صفارود)', , (), pp. -. doi: 10.30495/jest.2022.62275.5457
مهدوی سعیدی, امین, بابایی کفاکی, ساسان, متاجی, اسداله. توسعه و ارتقاء روش های طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD) در داده ماهواره ای با وضوح بالا GEOEYE. (مطالعه موردی: جنگل های هیرکانی رامسر-صفارود). , 1401; (): -. doi: 10.30495/jest.2022.62275.5457

توسعه و ارتقاء روش های طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD) در داده ماهواره ای با وضوح بالا GEOEYE. (مطالعه موردی: جنگل های هیرکانی رامسر-صفارود)

فصلنامه علوم و تکنولوژی محیط زیست
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 شهریور 1401  XML
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.30495/jest.2022.62275.5457
نویسندگان
امین مهدوی سعیدی1؛ ساسان بابایی کفاکی email 2؛ اسداله متاجی2
1دانشجوی دکتری جنگلداری، گروه جنگلداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران.
2استاد گروه جنگلداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
چکیده
زمینه و هدف: اسکنرهای ماهواره ای چند طیفی با وضوح بالا، امکان تجزیه و تحلیل دقیق و طبقه بندی پدیده های پیچیده سطح زمین را فراهم می کنند. با توجه به حجم بالای اطلاعات در سنسورهای جدید لازم است الگوریتم های طبقه بندی پیچیده تر، مورد مطالعه و توسعه قرار گیرند. با عنایت به وضوح مکانی بالای داده های Geoeye، به دلیل توزیع گسترده تر پیکسل ها، نقشه های خروجی در هر دو روش، حساس تر و با جزئیات پیکسلی بیشتر همراه هستند.

روش بررسی: طبقه بندی مدل پایه FCDبراساس چهار شاخص اصلی، حساس به سایه، خاک بدون پوشش، شرایط و تراکم پوشش گیاهی، و بدون نیاز به نمونه تعلیمی، عمل می نماید. الگوریتم شبکه عصبی با حساسیت بالایی نسبت به باندهای تصویر اصلی و باندهای ایجاد شده و اضافه شده به تصویر و همچنین نمونه آموزشی معرفی شده، عمل می کند.

یافته ها: با استفاده از روش مذکور دقت 24.5٪ برای روش FCD و 26.2٪ برای روش شبکه عصبی بدست آمده است. با توجه به اینکه داده های استفاده شده از وضوح بالایی برخوردارند، نقشه خروجی در این روش توسعه یافته، با تراکم بالای پولی گون ها همراه است.

نتیجه گیری: با توجه به دامنه ظهور پیکسل ها در نقشه های خروجی دو روش مذکور، روش توسعه یافته ای برای تولید نقشه دقیق تر، با توجه به قدرت تفکیک مکانی زیاد سنجنده Geoeye، ارائه شده است. در این روش با طبقه بندی مجدد در محدوده حداکثر فراوانی پیکسل ها، مرزبندی پولی گون ها در ابعاد بسیار کوچکتر و دقیق تر قابل ملاحظه است.
کلیدواژه‌ها
داده وضوح بالا؛ شبکه عصبی؛ FCD؛ Density Slice؛ مراحل تحولی
آمار
تعداد مشاهده مقاله: 45


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب