ارزیابی کارایی چهار روش شبکه ی عصبی مصنوعی در تهیه ی نقشه ی پوشش/کاربری اراضی با استفاده از تصاویر ماهواره ای ETM+

نقشه های پوشش/کاربری اراضی حاصل از تصاویر ماهواره ای نقش مهمی در ارزیابی های منطقه ای و ملی پوشش/کاربری اراضی ایفا می کنند. طی سال های گذشته، کاربردهای زیادی از روش های طبقه بندی شبکه عصبی مصنوعی برای طبقه بندی پوشش/کاربری اراضی در منابع گزارش شده است، اما مطالعات معدودی، مقایسه ی آنها با هم را ارزیابی نموده اند. در این مطالعه، ابتدا تصحیحات هندسی بر روی داده های + ETM صورت گرفت. سپس با بازدیدهای میدانی، طبقات مختلف پوشش/کاربری اراضی تعریف و نمونه های آموزشی انتخاب گردید. در این مطالعه، هدف اصلی مقایسه ی چهار روش شبکه ی عصبی مصنوعی برای طبقه بندی پوشش سطح زمین در سه منطقه ی مهران (مرکز استان ایلام)، دویرج (جنوب استان ایلام) و سرابله (شمال استان ایلام) با شرایط اقلیمی متفاوت می باشد. در این مطالعه، از روش های شبکه ی عصبی مصنوعی آرتمپ فازی، تابع پایه شعاعی، کوهونن و پرسپترون چند لایه استفاده شده است. نتایج ارزیابی دقت تصاویر طبقه بندی شده نشان داد که روش طبقه بندی آرتمپ فازی با دقت کل متوسط 94/84 و ضریب کاپای متوسط 0/93 درصد دارای بیشترین دقت نسبت به سایر روش های بررسی شده می باشد. اختلاف دقت کل متوسط در این روش نسبت به روش تابع پرسپترون 11/44 و اختلاف ضریب کاپا متوسط 0/18 درصد، نسبت به روش کوهونن به ترتیب 17/3 و 0/23 درصد و نسبت به روش پایه شعاعی 31/01 و 0/36 درصد می باشد. در این تحقیق، بالاترین دقت طبقه بندی مربوط به طبقه بندی شبکه ی عصبی مصنوعی آرتمپ فازی بود. بنابراین این مطالعه کارایی و قابلیت روش شبکه ی عصبی مصنوعی آرتمپ فازی را در طبقه بندی بهتر تصاویر سنجش از دور اثبات می نماید.