مقایسه الگوریتم‌های رگرسیون لجستیک و شبکه عصبی مصنوعی در مدل‌سازی تجربی پتانسیل انتقال تغییر پوشش سرزمین سواحل استان مازندران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه محیط‌ زیست، دانشکده منابع طبیعی، دانشگاه تربیت مدرس

2 دانش‌آموخته کارشناسی ارشد، گروه محیط‌زیست، دانشکده منابع طبیعی، دانشگاه تربیت مدرس

3 استادیار، گروه سنجش از دور، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه خواجه نصیرالدین طوسی

4 استادیار، گروه GIS و سنجش از دور، دانشکده محیط‌‌زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

چکیده

تغییرات پوشش سرزمین و توسعه شهرها سبب تخریب زیستگاه‌های طبیعی و کاهش تنوع زیستی شده است. یکی از روش‌های مورد استفاده برنامه‌‌ریزان جهت کنترل روند تغییرات پوشش سرزمین و کاربری اراضی، مدل‌سازی می‌باشد. این مطالعه، با هدف مقایسه رگرسیون لجستیک و پرسپترون چندلایه شبکه عصبی مصنوعی جهت مدل‌سازی پتانسیل انتقال تغییر پوشش سرزمین سواحل استان مازندران انجام شد. جهت تحلیل تغییرات منطقه از تصاویر ماهواره Landsat متعلق به سال‌های 1367، 1379، 1385 و 1390، مورد استفاده قرار گرفت. همچنین، مدل‌سازی پتانسیل انتقال با استفاده از رگرسیون لجستیک و پرسپترون چندلایه شبکه عصبی مصنوعی انجام پذیرفت. جهت پیش‌بینی تغییر پوشش سرزمین سال 1390، از دوره واسنجی 1385-1379 با استفاده از زنجیره مارکف و مدل پیش‌بینی سخت استفاده شد. صحت مدل‌سازی نیز با استفاده از ضریب کاپا ارزیابی شد. نتایج حاصل از ضرایب کاپا نشان داد که اگرچه رگرسیون لجستیک (8456/0) دقت بالاتری نسبت به پرسپترون چندلایه شبکه عصبی مصنوعی (8276/0) دارد، خطی کردن متغیرها، تأثیر زیادی در افزایش صحت مدل در منطقه مورد مطالعه نداشته است.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Logistic Regression and Artificial Neural Network Algorithms in Land Cover Transition Potential Empirical Modeling of Coastal Areas of Mazindaran Province

نویسندگان [English]

  • mehdi gholamalifard 1
  • sharef jourabiyan 2
  • ali abkar 3
  • babak naeme 4
1
2
3
4
چکیده [English]

Land cover changes and residential developments result in destruction of natural habitats and biodiversity. Land cover models are one of the most important methods to evaluate this trend. The objective of this study was comparison of Logistic Regression (LR) and Multi-Layer Perceptron Artificial Neural Networks (MLP ANNs) algorithms for transition potential modeling of coastal areas of Mazindaran province. Landsat satellite imageries, specifically 1988, 2001, 2006, and 2010 were used for change analysis. In addition, transition potential modeling was conducted using a logistic regression and multi layer perceptron artificial neural network. Each calibration period 2001–2006 was examined using Markov chain and hard prediction for extrapolating the year 2010. The accuracy assessment model was determined by kappa index. The results showed that logistic regression (0.8456) was more accurate than the multi layer perceptron artificial neural network (0.8276) in this study area.
 
 

کلیدواژه‌ها [English]

  • Transition Potential Modeling
  • logistic regression
  • Multi layer perceptron neural network
  • Accuracy assessment
  • Coastal areas of mazindaran province

فایل ها

هم رسانی

ارجاع به این مقاله

آمار