آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 457 |
| تعداد مقالات | 3,578 |
| تعداد مشاهده مقاله | 4,383,388 |
| تعداد دریافت فایل اصل مقاله | 2,887,935 |
مقایسه الگوریتمهای یادگیری ماشین در طبقهبندی پوشش مناطق شهری | ||
| مدلسازی پیشرفته در مهندسی عمران | ||
| دوره 3، شماره 1، تیر 1405، صفحه 36-54 اصل مقاله (1.01 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/amcen.2026.13598.1071 | ||
| نویسندگان | ||
| رسول لطفی1؛ حامد فاروقی* 2 | ||
| 1کارشناسی ارشد، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران | ||
| 2استادیار، گروه مهندسی عمران، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران | ||
| چکیده | ||
| آگاهی دقیق از تغییرات کاربری و پوشش زمین (LULC) نقش مهمی در مدیریت پایدار منابع طبیعی، برنامهریزی شهری و پایش محیطزیست دارد. این پژوهش به ارزیابی و مقایسه عملکرد الگوریتمهای یادگیری ماشین و روشهای آماری در طبقهبندی کاربری زمین در منطقه نایسر (حومه شهر سنندج) میپردازد. در این مطالعه، دادههای ماهوارهای Sentinel-2 و مجموعهای از ویژگیها شامل باندهای طیفی، شاخصهای طیفی (NDVI , MNDWI , SAVI , NDBI ) و اطلاعات توپوگرافی بهعنوان ورودی استفاده شدند و سه رویکرد طبقهبندی شامل جنگل تصادفی (RF )، روش حداکثر احتمال (MLC ) و خوشهبندی بدونناظر K-means بهکار گرفته شد. نمونههای آموزشی و ارزیابی از طریق تفسیر بصری تصاویر با وضوح بالا و بازدید میدانی جمعآوری و برای آموزش و اعتبارسنجی مدلها استفاده شدند. نتایج نشان داد الگوریتم جنگل تصادفی با دقت کلی ۹۸٪ و ضریب کاپا ۰٫۹۵ بهترین عملکرد را ارائه میدهد، در حالی که روش حداکثر احتمال دقت کلی ۹۵٪ و الگوریتم K-means دقت ۹۱٪ داشت. این یافتهها نشان میدهند که ترکیب ویژگیهای طیفی و توپوگرافی با الگوریتم جنگل تصادفی رویکردی کارآمد و قابل اعتماد برای طبقهبندی دقیق کاربری زمین و پایش تغییرات محیطی در مناطق شهری و پیرامونی است. | ||
| کلیدواژهها | ||
| تغییرات کاربری و پوشش زمین؛ سنتینل-۲؛ جنگل تصادفی؛ یادگیری ماشین؛ طبقهبندی تصاویر ماهوارهای | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 169 تعداد دریافت فایل اصل مقاله: 54 |
||