زمینه و هدف: ارزیابی و برآورد قابلیت انتقال با صحت بالا، یک گام مهم در روند مدل­سازی و پیش­بینی تغییرات کاربری اراضی و پوشش زمین است. هدف از این پژوهش، بررسی قابلیت تغییرات کاربری اراضی و پوشش زمین با استفاده از روش­های رویه یادگیری بر مبنای نمونه وزنی مشابهت، رگرسیون لجستیک و ژئومد است. روش بررسی: نقشه­های کاربری اراضی و پوشش زمین مربوط به یک دوره زمانی 30 ساله (1364 تا1394) با استفاده از تصاویر ماهواره­های لندست 5 و 8 تهیه شد. مدل­سازی قابلیت انتقال کاربری اراضی و پوشش زمین با استفاده از روش­های رویه یادگیری بر مبنای نمونه وزنی مشابهت، رگرسیون لجستیک و ژئومد و متغیرهای تاثیرگذار در روند تغییرات صورت گرفت. میزان صحت نتایج به­­ دست آمده از مدل­ها با استفاده از نقشه واقعیت زمینی تعیین شد. مراحل اجرایی این پژوهش در بازه زمانی سال­های 1395 تا 1396 انجام شد. یافته­ها: میزان ضریب کاپا برای روش­های رویه یادگیری بر مبنای نمونه وزنی مشابهت، رگرسیون لجستیک و ژئومد به ترتیب 84/0، 76/0 و 67/0 محاسبه شد. بررسی نقشه­های پیش­بینی شده برای سال 1409 با استفاده از روش رویه یادگیری بر مبنای نمونه وزنی مشابهت و زنجیره مارکوف نشان داد که مساحت مناطق مسکونی، باغات و اراضی کشاورزی روند افزایشی و مساحت اراضی بایر، جنگل­ها، مراتع و منابع آبی روند کاهشی خواهند داشت. بحث و نتیجه­گیری: در نهایت نتایج حاکی از دقت نسبتاً بالای سه روش در برآورد قابلیت تغییرات کاربری اراضی و پوشش زمین است پاما با توجه به ضرایب کاپای به دست آمده، دقت روش رویه یادگیری بر مبنای نمونه وزنی مشابهت بیشتر از دو روش دیگر بوده است.   پرونده مقاله

زمینه و اهداف: امکان بررسی پوشش زمین در مقیاس گسترده با استفاده از داده های سنجش از دور وجود دارد. طبقه بندی پوشش زمین در استان گیلان با استفاده از سنجنده OLI و 4 کرنل ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و حداکثر احتمال (ML) انجام شد. روش بررسی: طبقه بندی ها بر اساس نمونه های تعلیمی 10 پوشش مختلف در کل استان صورت گرفت. برای بالابردن دقت نقشه ها، تصویر OLI با استفاده از محصولات MODIS با اعمال کد انتقال تابشی وکتوری در طیف خورشید (SV6) مورد تصحیح اتمسفری قرار گرفته است. تصویر بر مبنای معیار همگنی به 219000 پلی گون، سگمنت بندی گردید. به روش کاملاَ تصادفی 2% از پلی گون های همگن برای آموزش و آزمون استفاده گردید. با بازدید میدانی، پلی گون ها به کلاس ها برچسب داده شدند. یافته ها: به کارگیری تصاویر تصحیح شده با کد SV6 در طبقه بندی سبب ارتقاء صحت کلی الگوریتم های ANN، SVMو ML به ترتیب به میزان 11/0%، 8/0% و 9/1% گردیده است. ارزیابی نتایج بیان گر برتری کرنل شعاعی SVM به ترتیب با صحت کلی و ضریب کاپای آماری 6/75% و 72/0 است. در این الگوریتم صحت کلاس های کشاورزی، مراتع مشجر و آبی به ترتیب 16/93%، 55/72% و 57/96% است. نتایج بیان گر ارتقاء صحت کلی الگوریتم SVM در مقایسه با الگوریتم ML به میزان 67/1% است. بحث و نتیجه گیری: این تحقیق نشان دهنده برتری روش ناپارامتریکSVM در مقایسه با پارامتریک در تهیه نقشه پوشش اراضی استان گیلان است. اعمال تصحیحات دقیق اثرات اتمسفر بر روی تصاویر در مناطق با مقیاس محلی و بزرگ با توجه به تغییرات شرایط اتمسفر و خصوصیات زمین قابل پیشنهاد است. پرونده مقاله