TY - JOUR ID - 18944 TI - کاربرد تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA) جهت استخراج مناطق ساخته شده شهری و استفاده از آن در شبکه عصبی مصنوعی (MLP) برای پیش بینی رشدآتی شهر JO - فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر» JA - SEPEHR LA - fa SN - 2588-3860 AU - جمعه زاده, بهرام AU - هاشمی, سیروس AU - درویشی بلورانی, علی AU - کیاورز, مجید AD - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی دانشکده جغرافیای دانشگاه تهران AD - استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشکده جغرافیای دانشگاه تهران Y1 - 2016 PY - 2016 VL - 24 IS - 96 SP - 65 EP - 77 KW - تجزیه و تحلیل زیر پیکسل KW - تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA) KW - پیش بینی رشد شهری KW - پرسپترون چندلایه DO - 10.22131/sepehr.2016.18944 N2 - استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش‌بینی مناطق ساخته شده شهری در دهه‌های اخیر توسعه یافته است. مهم‌ترین گام در پیش‌بینی رشد مناطق شهری، استخراج ویژگی‌های سطح شهر با دقت و صحت بالا و مهم‌ترین چالش در این راه پیچید‌گی عوارض شهری و مسئله پیکسل‌های مخلوط است. هدف از این تحقیق استفاده از مدل‌های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش‌بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سال‌های؛ 0991 (سنجنده TM)، 2002 (سنجنده +ETM) و5102 (سنجنده OLI/TIRS) و روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه‌های کسری پوشش به عنوان لایه‌های ورودی و عضوهای پایانی به عنوان نمونه‌های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه‌بندی‌کننده استفاده شد؛ که در نتیجه صحت کلی بالای 99%و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش‌بینی رشد شهری با شبکه عصبی در این تحقیق از مدل پرسپترون چند لایه(MLP)با الگوریتم یادگیری پس انتشار (BP) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه‌بندی سال 5102 ، ضریب کاپای 29%،کاپای استاندارد 98%  و کاپای طبقه‌ای (برای طبقه ساخته شده) 39%، را نشان داد. مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش‌بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد. UR - https://www.sepehr.org/article_18944.html L1 - https://www.sepehr.org/article_18944_68ef8408ce51651df528a06a91643048.pdf ER -