مقایسه الگوریتم‌های شبکه عصبی مصنوعی و حداکثر احتمال در آشکار‌سازی تغییرات جنگل

زمینه و هدف: فن آوری سنجش‌ازدور در دنیای پیشرفته امروزی به عنوان یکی از مهم ترین و عمده ترین منابع داده های مکانی و موضوعی قلمداد می شود. در این مقاله هدف مقایسه دو روش جهت آشکار سازی تغییرات جنگل با استفاده از تصاویر ماهواره لندست می باشد. بدین منظور از تصاویر سال 1369 سنجنده tm ماهواره لندست و هم چنین تصاویر سال 1390 سنجنده etm+ این ماهواره استفاده‌ شده است. روش بررسی: در طبقه بندی تصاویر، از روش طبقه بندی نظارت‌شده و الگوریتم حداکثر احتمال و شبکه عصبی مصنوعی به شیوه پرسپترون چندلایه استفاده گردید. یافته ها: بر اساس نتایج به دست آمده الگوریتم شبکه عصبی مصنوعی در مقایسه با حداکثر احتمال صحت کلی و ضریب کاپای بالاتری در هر دو تصویر (tm و etm+) نشان داده است. پس از طبقه بندی، نقشه های استخراج‌شده از تصاویر tm و etm+ به منظور آشکارسازی تغییرات روی هم گذاری شدند و نقشه تغییرات به دست آمد. بحث و نتیجه گیری: نتیجه نهایی تحقیق نشان می‌دهد که استفاده از داده های لندست همراه با داده های حاصل از آماربرداری قابلیت تهیه نقشه تغییرات جنگل را در منطقه موردمطالعه دارا می باشند.

the comparison of artificial neural network to and maximum likelihood algorithms for forest changes detection

background and objective: remote sensing technology is considered one of the most important sources of spatial and thematic data in the developed world of today. the objective of this work is a comparison of two different methods of change detection in forests using landsat images. therefore، sensor landsat tm images of 1990 and 2011 (etm+) satellite images have been used. material and methodology: in the classification of images، the maximum likelihood algorithm، and artificial neural network to multilayer perceptron method were used. findings: evaluated results showed that the algorithm approach، the maximum likelihood overall accuracy، and kappa coefficient maps classified in tm image، respectively، are 96.72 and 0.96 percent and image etm+ 98.02 and 0.97 percent، and the method of artificial neural networks، overall accuracy and kappa coefficient map classified، tm image was 98.22 and 0.97% and etm+ image was 98.34and 0.97 percent respectively. following tm and etm+ classification maps to detect the changes were marked and the map changes obtained. discussion and conclusion: the results of this study showed that using landsat data along with data from have inventory capabilities of forest change mapping