مقاله مقایسه روشهای طبقه بندی BEC ،SAM ،SVM ، MLC و شبکه های عصبی برای تفکیک مزارع با استفاده از تصویر سنجنده ETM+


در حال بارگذاری
مقاله مقایسه روشهای طبقه بندی BEC ،SAM ،SVM ، MLC و شبکه های عصبی برای تفکیک مزارع با استفاده از تصویر سنجنده ETM+
23 اکتبر 2022
فایل ورد و پاورپوینت
2120
3 بازدید
۷۹,۷۰۰ تومان
خرید

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله مقایسه روشهای طبقه بندی BEC ،SAM ،SVM ، MLC و شبکه های عصبی برای تفکیک مزارع با استفاده از تصویر سنجنده ETM+ دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مقایسه روشهای طبقه بندی BEC ،SAM ،SVM ، MLC و شبکه های عصبی برای تفکیک مزارع با استفاده از تصویر سنجنده ETM+  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله مقایسه روشهای طبقه بندی BEC ،SAM ،SVM ، MLC و شبکه های عصبی برای تفکیک مزارع با استفاده از تصویر سنجنده ETM+،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مقایسه روشهای طبقه بندی BEC ،SAM ،SVM ، MLC و شبکه های عصبی برای تفکیک مزارع با استفاده از تصویر سنجنده ETM+ :

تعداد صفحات:۱۴

چکیده:

بخش کشاورزی یکی از ارکان مهم تولیدی کشور است که با تکیه بر منابع آب وخاک ضمن تامین ارقام مختلف محصولات غذایی موردنیاز، مواد اولیه بخشهایی از صنعت،حدود یک سوم تولید ناخالص ملی و اشتغال را بهخود اختصاص می دهد. برای مدیریت منابع تولید در بخش کشاورزی، برآورد سطح زیرکشت به عنوان ابزاری برای مدیریت توزیع آب ،نهاده ها وبالاخره برآورد عملکرد محصولات ضروری می باشد. درسالهای اخیر تشدید روند تخریب اکوسیستمهای طبیعی ،زیانهای محیطی و مشکلات ناشی از استفاده غیر علمی از منابع طبیعی و به خصوص خاک، ضرورت برنامه ریزی و استفاده از روشهای نوین و سریع را صد چندان کرده است . در این تحقیق به منظور دسترسی به اطلاعات سطح زیر کشت محصول که یکی از مهمترین عوامل تاثیر گذار بر تصمیمات مدیران بخش کشاورزی است،روشهای دورسنجی برای تفیکیک گونه های زراعی بکار گرفته شد. در همین راستا ، با استفاده از تصویر سنجنده ETM+ پنج روش طبقه بندی و استخراج اطلاعات پوشش گیاهی ، شامل Maximum likelihood ، Spectral Angle Mapper(SAM)، Support Vector Machine(SVM) ، Classification(MLC) Neural Network و Binary Encoding برای تفکیک مزرعه های غلات و یونجه از یکدیگر و از سایر عوارض ، منطقه، مورد استفاده و مقایسه قرار گرفت. نتایج نشان دادند که روش طبقه بندی حداکثر احتمال (MLC) بالاترین دقت را در طبقه بندی دارد از اینرو بر اساس تصویر کلاس بندی شده حاصل از این روش ، سطح زیر کشت غلات و یونجه برآورد و مورد ارزیابی قرار گرفت.

  راهنمای خرید:
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.