ارزیابی روشهای طبقهبندی شئگرا و پیکسل مبنا در جداسازی سازندهای زمینشناسی با استفاده از تصاویر لندست 8 و بهرهگیری از منطق بولین
نویسندگان
1 کارشناسی ارشد سنجشازدور و سیستم اطلاعات جغرافیایی، گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران.
2 دانشجوی دکتری سنجشازدور، مرکز مطالعات سنجشازدور و GIS، دانشگاه شهید بهشتی، تهران، ایران.
3 استادیار، گروه جغرافیا، بخش برنامهریزی محیطی، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران.
4 دانشجوی دکتری مدیریت مناطق خشک و بیابانی، گروه مدیریت مناطق خشک و بیابانی، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران.
doi
10.22034/jdmal.2021.534277.1340چکیده
تهیه نقشههای سنگ شناسی به کمک دادههای میدانی و دورکاوی به دلیل تنوع ساختاری زمین و مشکلاتی مانند دشواری دسترسی به بعضی مناطق، همیشه با خطا همراه بوده است. اما در دهههای گذشته استفاده از تصاویر ماهوارهای کمک شایانی در افزایش دقت و سرعت تهیه نقشههای زمینشناسی داشته است. هدف از پژوهش حاضر، بررسی قابلیت استفاده از تصاویر ماهواره لندست-8 و روشهای طبقهبندی پیکسل مبنا و شئگرا در تهیه نقشه سازندهای زمینشناسی بخشی از رشته کوه شیرکوه استان یزد میباشد. این منطقه جزء سلسله کوههای پراکنده ایران مرکزی با اقلیم خشک و حداقل پوشش گیاهی است. در آغاز برای شناسایی سازندها با استفاده از پردازشهای: MNF, PCA و FCC بارزسازی انجام شد. سپس با بهرهگیری از خوارزمیکهای (الگوریتم) شئگرا (BAYES، SVM، KNN، DECISION TREE و RANDOM FOREST)، شبکه عصبی (ART MAP، RBF، MLP و SOM) و پیکسل مبنا (حداکثر احتمال، حداقل فاصله، ماهالانوبیس و SAM) ، طبقهبندی شدند و مقدار خطای هرکدام از روشها با استفاده از منطق بولین و ضریب کاپا محاسبه شد. طبقهبندی حداکثر احتمال با ضریب کاپا 75% در دسته پیکسل مبنا، طبقهبندی آرتمپ فازی در روش شبکه عصبی با ضریب کاپا 72% و طبقهبندی بیز در روش شئگرا با ضریب کاپا 82% بهترین نتایج را در بین دیگر روشهای بررسی شده نشان دادند. این نتایج کارآمدی روشهای نامبرده شده را در شناسایی سازندهای زمینشناسی به اثبات میرساند. روش SAM از روشهای پیکسل مبنا، روش SOM از روشهای شبکه عصبی و روش RF از روشهای شئگرا بهترتیب 49%، 64% و 61% کمترین میزان دقت نتایج را در هر دسته نشان دادند.