ارائه روشی کارآمد برای طبقه بندی بهینه پوشش اراضی شهری با استفاده از ترکیب الگوریتم بهینه سازی ستاره دریایی و شبکه عصبی کانولوشن

با رشد سریع شهرنشینی، پایش و طبقه‌بندی دقیق پوشش اراضی شهری به امری ضروری در مدیریت پایدار شهری تبدیل شده است. اگرچه شبکه‌های عصبی کانولوشنی (cnn) توانایی بالایی در استخراج ویژگی‌های پیچیده از داده‌های سنجش از دور دارند، اما عملکرد آنها به شدت وابسته به تنظیم بهینه هایپرپارامترها است. هدف این پژوهش، ارائه یک روش ترکیبی نوین برای طبقه‌بندی بهینه پوشش اراضی شهری با استفاده از الگوریتم بهینه‌سازی ستاره دریایی (sfoa) و شبکه عصبی کانولوشنی است. در این پژوهش، از الگوریتم بهینه‌سازی ستاره دریایی برای تنظیم خودکار هایپرپارامترهای کلیدی cnn شامل تعداد فیلترها، اندازه فیلترها، اندازه گام، اندازه کرنل لایه maxpooling، نرخ dropout و اندازه batch استفاده شده است. مجموعه داده urban land cover از uci شامل 168 نمونه با 148 ویژگی طیفی، شکلی و بافتی به عنوان داده‌های پژوهش مورد استفاده قرار گرفت. عملکرد روش پیشنهادی با معیارهای دقت، صحت، فراخوانی و f1-score ارزیابی شد. نتایج آزمایش‌ها نشان داد که روش ترکیبی sfoa-cnn با دقت کلی 94.7% کارامدتر از روش‌های پایه است. این روش توانست هایپرپارامترهای بهینه را به صورت خودکار شناسایی کند و منجر به بهبود 12.3% در دقت طبقه‌بندی نسبت به cnn با هایپرپارامترهای پیش‌فرض شود. همچنین، روش پیشنهادی تعادل بهتری بین اکتشاف و بهره‌برداری در فضای جستجوی هایپرپارامترها ایجاد کرد. ترکیب الگوریتم بهینه‌سازی ستاره دریایی با شبکه عصبی کانولوشنی به عنوان یک روش کارآمد و خودکار برای طبقه‌بندی پوشش اراضی شهری پیشنهاد می‌شود. این روش نه تنها دقت طبقه‌بندی را به طور قابل توجهی بهبود می‌بخشد، بلکه وابستگی به تنظیم دستی هایپرپارامترها را کاهش می‌دهد. کاربردهای عملی این پژوهش در حوزه‌های برنامه‌ریزی شهری، مدیریت منابع طبیعی و پایش تغییرات محیطی قابل تصور است.