نقشه های پوشش اراضی حاصل از تصاویر ماهواره ای نقش مهمی در ارزیابی های منطقه ای و ملی پوشش اراضی ایفا می کنند. به منظور مقایسه روش های طبقه بندی کننده حداکثر مشابهت و حداقل فاصله از میانگین در تهیه نقشه پوشش اراضی از داده های سنجنده LISS-III ماهواره IRS-P6 در بخش غربی شهر اصفهان، مربوط به تاریخ 18 مرداد 1387 استفاده گردید. ابتدا تصویر LISS-III با خطای جذر میانگین مربعات کمتر از یک پیکسل زمین مرجع شد. پس از تهیه تصویر رنگی و محاسبه شاخص واگرایی نمونه های تعلیمی، طبقه بندی تصویر با استفاده از الگوریتم های حداکثر مشابهت و حداقل فاصله از میانگین انجام شد و 6 کلاس رودخانه، اراضی بایر، اراضی کشاورزی، مناطق شهری، اتوبان و برون زدگی سنگی استخراج شد. نتایج طبقه بندی نشان داد کلاس مناطق شهری پوشش غالب در منطقه بوده و 6821.1 هکتار از منطقه معادل 38.9 درصد را به خود اختصاص می دهد. بررسی صحت روش ها بر اساس ضریب کاپا و صحت کلی، با استفاده از تجزیه و تحلیل ماتریس خطا صورت گرفت. بر طبق نتایج به دست آمده، صحت کلی برای طبقه بندی کننده حداکثر مشابهت 94.9 درصد و حداقل فاصله از میانگین 85.2 درصد می باشد. نتایج نشان می دهد که طبقه بندی کننده حداکثر مشابهت نسبت به روش حداقل فاصله از میانگین برتری دارد.

مواد و روش ­ها: در این مطالعه جهت مقایسه مدل الگوریتم ­های MDC ،MD ،ML در  پنج کلاس در بازه­ ی زمانی 1987 و 2021 از تصاویر ماهواره­­ای لندست 5 و 8 استفاده شد و برآورد ارزیابی دقت مدل­ ها با استفاده از ضریب صحت کلی، ضریب کاپا، دقت تولیدکننده، دقت کاربر، خطای اضافه، خطای حذف انجام گردید.یافته ها: نتایج این پژوهش نشان داد با تغییر کاربری اراضی به مناطق مسکونی بازه ­ی 2021 نسبت به سال 1987، نه تنها به زمین­ های کشاورزی آسیب وارد شده؛ بلکه سبب تغییر در بستر حوضه مورد مطالعه نیز شده است. با تغییر بستر رودخانه کاهش دبی سیلاب در خروجی حوضه صورت می ­گیرد که به­ دلیل تغییر و تصرف بستر رودخانه عرض حوضه کمتر می­ شود در نتیجه ظرفیت عبور سیلاب کمتر گشته و سیل را تشدید می­ کند.نتیجه گیری: بر مبنای یافته های تحقیق می توان عنوان کرد که مساحت اراضی کشاورزی (از 35/44 به 2/80) و آبی (از 40/39 به 7/91) سال 1987 نسبت به سال 2021 کمتر شده و مساحت مناطق مسکونی سال 1987 نسبت به سال 2021 (از 0/08 به 3/12) بیشتر گردیده است که ناپایداری در بین کاربری ­های محدوده مورد مطالعه را به­ همراه داشته است. چنین تغییر و تحولاتی علاوه بر این‏ که می ­توانند اثرات منفی بر محیط‏زیست و منابع طبیعی حوضه میداوود- دالون داشته باشند. باعث گسترش خطرات و خسارات ناشی از بلایای طبیعی مانند طغیان رودخانه­ و سیلاب خواهند شد. همچنین با مقایسه ضریب صحت کلی و ضریب کاپا، برای سال 1987، الگوریتم حداکثر احتمال با ضریب صحت کلی (33/34) و ضریب کاپا (0/13) و برای سال 2021 الگوریتم فاصله ماهالانویی با ضریب صحت کلی (55/29) و ضریب کاپا (0/45)، دقت بالاتری نسبت به سایر روش ­ها داشته ­اند.نوآوری و کاربرد نتایج: تغییرات کاربری اراضی صورت گرفته باعث پراکندگی نامناسب کاربری اراضی (اراضی دیم، مراتع، منابع آبی) و مناطق انسانی شده است، به گونه ­ای که قسمتی از محدوده حوضه، در اثر رشد فیزیکی شهر دچار تغییر کاربری شده است.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

در این تحقیق با استفاده از روش بهینه سازی چند منظوره گروه ذرات طبقه بندی کننده ای ارایه شده است که همزمان قادر به بهینه سازی شاخص های متفاوت و مهمی در تشخیص الگو نظیر قابلیت اطمینان، نرخ تشخیص صحیح و تعداد ابر صفحه های لازم برای مرزبندی موثر کلاس های متفاوت در فضای ویژگی می باشد. در طراحی طبقه بندی کننده پیشنهاد شده مسایل مهم فوق-برازش و فوق-آموزش نیز بر طرف شده است. توانایی دستیابی همزمان به شاخص های مذکور در سایر طبقه بندی کننده های مبتنی بر روش های هوش جمعی وجود ندارد. نتایج عملی به دست آمده بر روی داده های آزمایشی نشان می دهند که طبقه بندی کننده چند منظوره پیشنهادی با تخمین جبهه پرتو بهترین مجموعه انتخابی از ابر صفحه های جدا کننده کلاس های مختلف را برای برپایی شرایط دلخواه کاربر در خصوص انتخاب شاخص های فوق الذکر، فراهم می آورد.

در این مقاله مساله طبقه بندی سیگنال های EEG مبتنی بر تصور حرکتی برای یک سامانه واسط مغز- رایانه (BCI)، توسط طبقه بندی کننده مبتنی بر نمایش تنک (SRC) مورد توجه واقع شده است. این طبقه بندی کننده برای کارایی بالا، نیاز به طراحی ماتریس واژه نامه قوی دارد. با توجه به کارایی بالای الگوریتم الگوهای مکانی مشترک (CSP) در سامانه های BCI، از این روش برای طراحی ماتریس واژه نامه استفاده شده است. از معایب CSP حساس به نوفه بودن و مساله فرایادگیری در مجموعه های آموزشی کم است. برای رفع این معایب از دو نوع الگوریتم بهبود CSP با نام های GLRCSP و DLRCSP و استفاده شده است. استفاده از این روش ها منجر به افزایش میانگین درصد صحت تشخیص به میزان حدود %7.78 نسبت به گونه استاندارد CSP شده است. از سوی دیگر یکی از معایب طبقه بندی کننده SRC که از الگوریتم پایه BP استفاده می کند، زمان بربودن آن است. برای رفع این عیب، از الگوریتم جدید SL0 به عنوان جایگزین الگوریتم BP استفاده کردیم. نتایج نشان داد که نه تنها زمان مرحله آزمون بسیار کاهش می یابد، بلکه این تغییر منجر به افزایش میانگین درصد صحت تشخیص به میزان %1.61 نسبت به الگوریتم استاندارد پایه می شود.