بکارگیری الکوریتم‌های‌ شبکه عصبی و حداکثر احتمال در طبقه‌بندی تصاویر ماهواره‌ای جهت استخراج پوشش‌ زمین منطقه ساحلی اروند رود و بهمن‌شیر

یکی از روش های پرکاربرد استخراج اطلاعات موجود در تصاویر سنجش از دور، طبقه بندی می باشد که امکان تهیه انواع نقشه های توزیع جغرافیایی پدیده ها از قبیل خاک، آب، گیاه را می دهد، از آنجا که هدف اصلی از پردازش تصاویر ماهواره‌ای، تهیه نقشه‌های موضوعی و کارآمد می‌باشد، انتخاب الگوریتم مناسب طبقه‌بندی نقش زیادی در این امر ایفاء می‌کند. در روش های پارامتری از قبیل حداکثر احتمال و حداقل فاصله مشکل اصلی وابستگی آن ها به توزیع آماری داده های ورودی می باشد. محققان در راستای بهبود و توسعه تکنیکهای طبقه بندی تلاش های را انجام دادند که می توان از تکنیک های شبکه های عصبی نام برد که روشی ناپارامتری بوده و به توزیع خاصی وابسته نیست . تعیین کلاس های و نمونه های مورد نظر جهت طبقه بندی کاربری پوشش زمین با استفاده از عملیات میدانی، نقشه های توپوگرافی، عکس های هوایی و نقشه موجود انجام شد و چهار کلاس پوشش گیاهی، ساخت و ساز، آب و فضای باز انتخاب گردید. پس از اعمال دو الگوریتم شبکه عصبی و حداکثر احتمال بر روی تصویر ماهواره‌ای لندست8 با سنجنده هایoli tirs ، نقشه پوشش زمین نواحی ساحلی اروند تهیه گردید. به کمک ضریب توافق کاپا دقت روش های طبقه بندی مورد ارزیابی قرار گرفت. بر اساس نتایج حاصله روش شبکه عصبی مصنوعی با ضریب کاپا0.92 نسبت به الگوریتم حداکثر احتمال با ضریب کاپا0.79. عملکرد بهتری در تهیه نقشه پوشش زمین منطقه ساحلی اروند داشته است که بدلیل ناپارامتری و غیرخطی بودن شبکه های عصبی می باشد.

utilization of neural network and Maximum Likelihood Algorithms in classification of satellite images to extract land cover bahmanshir and arvand coastal zone

The main purpose of satellite image processing is preparing thematic and efficient maps, so choosing appropriate classification algorithm has important role in this case. In parametric methods such as maximum likelihood main problem is their dependence on the statistical distribution of input data. Artificial neural network is nonparametric classification method which is not dependent on any particular distribution and extract desired functions from within data. This study aimed to compare the efficiency of neural network and maximum likelihood to classify land cover Using Landsat Satellite Images. Determine classes and samples to classify land cover Using field operations, topographic maps, aerial photographs and maps were made and using the above information four classes vegetation cover, building, water and outdoor were selected. After applying two algorithms, the neural network and maximum likelihood on the Landsat 8 satellite image with OLI sensors, land cover map of the arvand coastal area was prepared. Multilayer perceptron network neural network structure consists of three input neurons, seven intermediate neurons, and four output neurons. For network training, a back propagation algorithm has been used. with Kappa coefficient, the accuracy of the classification methods was evaluated. Based on the results, Artificial neural network method with kappa coefficient of 0.92 in comparison to maximum probability algorithm with kappa coefficient of 0.79 has a better performance in providing land cover map of the arvand coastal area which is due to Neural network is nonparametric and nonlinear.