@article { author = {اندریانی, صغری and رضائی مقدم, محمد حسین and ولیزاده کامران, خلیل and الماس پور, فرهاد}, title = {Comparison between ANN and SVM methods in extracting landuse and vegetation cover maps with using Landsat 8 images (Case study Sofi Chay drainage basin)}, journal = {Journal of Geography and Planning}, volume = {19}, number = {52}, pages = {-}, year = {2020}, publisher = {University of Tabriz}, issn = {2008-8078}, eissn = {2717-3534}, doi = {}, abstract = {Preparing landuse and vegetation cover in planning and management of natural resources is very important. For this aim, using remote sensing data has important role especially because of daily cover and low cost images. So in this research, Landsat 8 images are used as input data for extracting landuse map in levels 1 and 2. Images with respect to newly issuing are correcting radiometric by using relationships in ERDAS software's modeling formulation environment. Also, NDVI , BI and PCA as input beside other bands are used for increasing classification. SVM is evaluated and it’s the best result compared with ANN. Results have been shown SVM with 92% accuracy with Kappa Index 0.91 and ANN with 89% accuracy with Kappa Index 0.87. SVM have better result than ANN in all places which classes have same behavior.}, keywords = {Landuse,landst 8,NDVI,BI,SVM,ANN}, title_fa = {مقایسه روشهای شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی : حوضه صوفی چای)}, abstract_fa = {تهیه نقشه های کاربری و پوشش اراضی برای برنامه ریزی و مدیریت منابع طبیعی امری ضروری می باشد. در این بین استفاده از داده های سنجش از دور با توجه به ارائه اطلاعات به روز ، پوشش تکراری ، کم هزینه بودن در ارزیابی منابع طبیعی جایگاه خاصی دارد. لذا در این پژوهش، تصاویر لندست 8 به عنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح 2و1 مورد استفاده قرار گرفت. در این بین ، با توجه به جدید بودن این تصاویر ، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل ساز نرم افزار Erdas فرمول نویسی شد. همچنین از شاخصهای گیاهی NDVI، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفه های اصلی (PCA) به عنوان ورودی در کنار دیگر باندها برای افزایش دقت طبقه بندی مورد استفاده قرار گرفت. از طرفی توابع کرنلها و رتبه های چند جمله ای روش ماشین بردار پشتیبان (SVM) مورد ارزیابی قرار گرفت و بهترین نتیجه این روش با روش شبکه عصبی مصنوعی(ANN) مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش ماشین بردار پشتیبان92٪ با ضریب کاپا 0.91 و روش شبکه عصبی 89٪ با ضریب کاپا 0.87 می باشد. همچنین جایی که کلاسها رفتار طیفی مشابهی را از خود نشان می دهند روش SVM کارایی بهتری از خود نشان می دهد.}, keywords_fa = {کاربری اراضی,لندست 8,شاخصهای گیاهی و خاک بایر,ANN,SVM}, url = {https://geoplanning.tabrizu.ac.ir/article_10816.html}, eprint = {} }