چکیده مقاله
نقشه های پوشش زمین ابزارهای حیاتی برای برنامه ریزان و سیاست گذاران به منظور مدیریت منابع طبیعی، پایش تغییرات محیطزیستی، و طراحی راهبردهای توسعه پایدار در سطوح محلی، ملی، منطقه ای و جهانی هستند با در دسترس بودن داده هایجهانی لندست ۸، این منبع به یکی از ابزارهای کلیدی در پایش و طبقه بندی دقیق پوشش زمین تبدیل شده است هدف تحقیقحاضر، ارزیابی و مقایسه دقت الگوریتم های یادگیری ماشین شامل برآورد حداکثر احتمال، ماشین بردار پشتیبان و جنگل تصادفیبرای شناسایی بهترین روش در نقشه برداری پوشش زمین و تحلیل تاثیرات محیط زیستی مرتبط است در این مطالعه، پس ازاستخراج ویژگی های مستقل، از تحلیل مولفه اصلی برای حذف همبستگی میان ویژگی ها و بهبود عملکرد مدل ها استفاده شد عملکرد الگوریتم ها با استفاده از شاخص های دقت کلی و ضریب کاپا مورد ارزیابی قرار گرفت نتایج نشان داد که جنگل تصادفی با دقت کلی ۰ ۹۹۴ و ضریب کاپای ۰ ۹۹۱ عملکرد برتری نسبت به سایر الگوریتم ها داشت پس از اعمال تحلیل مولفه اصلی این الگوریتم با دقت کلی ۰ ۹۹۸ , و ضریب کاپای ۰ ۹۹۷ به عنوان بهترین روش طبقه بندی انتخاب شد کاربرد این روش ها نه تنها باعث بهبود نظارت بر تغییرات کاربری و پوشش زمین می شود، بلکه امکان شناسایی مناطق حساس محیط زیستی، مدیریت بهترمنابع طبیعی، و کنترل تخریب زیست بوم ها را نیز فراهم می سازد علاوه بر این، دقت و سرعت بالای این الگوریتم ها می تواند بهکاهش هزینه های پایش کمک کرده و پایه ای علمی برای اجرای سیاست های حفاظت محیط زیست و برنامه های توسعه پایدارارائه دهد این یافته ها نشان می دهد که ترکیب داده های ماهواره ای و الگوریتم های یادگیری ماشین می تواند نقشی کلیدی دربهبود مدیریت محیط زیست و مقابله با چالش های زیست محیطی ایفا کند
کلیدواژهها
نویسندگان
شیوه ارجاع
�براهیمی، محمد،1403،بهبود دقت طبقه بندی پوشش زمین با ترکیب تصاویر لندست ۸ و داده هایتوپوگرافی با استفاده از مدل های یادگیری ماشین،پنجمین کنفرانس بین المللی دستاوردهای خلاقانه معماری، شهرسازی، عمران و محیط زیست در توسعه پایدار خاورمیانه،مشهد
ارائهشده در
مجموعه مقالات پنجمین کنفرانس بین المللی دستاوردهای خلاقانه معماری، شهرسازی، عمران و محیط زیست در توسعه پایدار خاورمیانه14 آذر 1403 · مشهد