ارزیابی کارایی چهار روش شبکه‌ی عصبی مصنوعی در تهیه‌ی نقشه‌ی پوشش/کاربری اراضی با استفاده از تصاویر ماهواره ای ETM+ مطالعه موردی: سه منطقه دویرج، مهران و سرابله

نقشه‌های پوشش/کاربری اراضی حاصل از تصاویر ماهواره‌ای نقش مهمی در ارزیابی‌های منطقه‌ای و ملی پوشش/کاربری اراضی ایفا می‌کنند. طیّ 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، مقایسه‌ی 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 مقایسه‌ی چهار روش شبکه‌ی عصبی مصنوعی برای طبقه بندی پوشش سطح زمین در سه منطقه‌ی مهران (مرکز استان ایلام)، دویرج (جنوب استان ایلام) و سرابله (شمال استان ایلام) با شرایط اقلیمی متفاوت می باشد. در این مطالعه، از روش‌های شبکه‌ی 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 84/9? و ضریب کاپای متوسط 93/0 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 44/11 و اختلاف ضریب کاپا متوسط 18/0 درصد، نسبت به روش کوهونن به ترتیب 3/17 و 23/0 درصد و نسبت به روش پایه شعاعی 01/31 و 36/0 درصد می باشد. در این تحقیق، بالاترین دقت طبقه بندی مربوط به طبقه بندی شبکه‌ی عصبی مصنوعی آرتمپ فازی بود. بنابراین این مطالعه کارایی و قابلیت روش شبکه‌ی عصبی مصنوعی آرتمپ فازی را در طبقه بندی بهتر تصاویر سنجش از دور اثبات می نماید.