@article { author = {Torabi, Ghazal and Aghamahammadi zanjirabad, Hossein and Behzadi, Saeed}, title = {Monitoring the status of Bakhtegan Lake and surrounding areas using satellite imagery and computational intelligence}, journal = {Iranian journal of Ecohydrology}, volume = {5}, number = {1}, pages = {251-263}, year = {2018}, publisher = {Faculty of New Sciences and Technologies, University of Tehran}, issn = {2423-6098}, eissn = {2423-6101}, doi = {10.22059/ije.2018.244595.767}, abstract = {Multilispectral picture classification is one of the most important techniques for separating earth units.The phenomenon of global warming,expansion damming,water storage behind dams and excessive utilization of existing water for human uses has caused the drying of lakes, including Lake Bakhtegan. For this purpose, Landsat images of 1991, 2000, 2010, and 2017 were collected in Bakhtegan Lake and surrounding areas. These images were categorized based on educational samples in four classes of water, septicity, mountain and urban areas after pre-processing and corrections required by the supervised maximum likeness.The same image was then sorted by multi-layer perceptron neural network method in the above classes. Finally, for both methods, the error matrix was extracted and the overall accuracy and kappa coefficient were calculated.For the year 1991, the maximum probability and neural network method was 87% and 93%, and the kappa coefficient was calculated to be 0.86 and 0.90, respectively. . Therefore, due to the higher accuracy of Negative Network, images of the years 2000, 2010 and 2017 were categorized by this method.After classification, in order to evaluate it, Google Earth was considered as the test sample for each information class and the overall accuracy and kappa coefficient were 89% and 0.85, respectively.}, keywords = {Classification,Maximum Likelyhood,Training Samples,neural network,Multilayer Perceptron}, title_fa = {پایش وضعیت دریاچۀ بختگان و اراضی اطراف آن با استفاده از تصاویر ماهواره‌ای و هوش محاسباتی}, abstract_fa = {در حال حاضر، یک ابزار مهم برای شناسایی تغییرات زمین و پایش آنها علم سنجش از دور است. طبقه‏بندی تصاویر چندباندی یکی از تکنیک‏های مهم برای تفکیک واحدهای زمین است. هدف کلی تحقیق حاضر، طبقه‏بندی تصاویر ماهواره‏ای با بهره‏گیری از روش‏های هوش محاسباتی است. پدیدۀ گرمایش جهانی، گسترش سدسازی، ذخیرۀ آب در پشت سدها و بهره‏برداری بیش از حد از آب موجود برای کاربری‏های انسانی سبب خشک‌شدن دریاچه‏ها از جمله دریاچۀ بختگان شده است. به این‌منظور، در تحقیق حاضر تصاویر لندست سال‏های 1991، 2000، 2010 و 2017 دریاچۀ بختگان و محدودۀ اطراف آن گرفته شد. این تصاویر پس از انجام پیش‏‏پردازش‏ها و تصحیحات مورد نیاز، با روش نظارت‌شدۀ بیشترین شباهت، براساس نمونه‏های آموزشی در چهار کلاس پهنه‏آبی، پوشش ‏گیاهی، کوه و مناطق شهری طبقه‏بندی شد. سپس، همان تصویر با روش‏ شبکۀ عصبی پرسپترون چندلایه در کلاس‏های یادشده طبقه‏بندی شد. در نهایت، برای هر دو روش ماتریس خطا استخراج شد و صحت کلی و ضریب کاپا محاسبه شد. صحت کلی برای سال 1991 به‏ترتیب برای روش بیشترین احتمال و شبکۀ عصبی 87 و 93 درصد و ضریب کاپا به‏ترتیب 86/0 و 90/0 محاسبه شد. بنابراین، با توجه به دقت بیشتر شبکۀ ‏عصبی، تصاویر سال‏های 2000، 2010 و 2017 با این روش طبقه‏بندی شد. بعد از طبقه‏بندی به‏منظور ارزیابی آن، از Google Earth برای هر کلاس اطلاعاتی نمونه تست در نظر گرفته شد و صحت کلی و ضریب کاپا به‌ترتیب 89 درصد و 85/0 محاسبه شد. در نهایت، مساحت پهنه‏آبی به صورت چشمگیری کاهش یافته و به سایر کلاس‏ها افزوده شده است.}, keywords_fa = {بیشترین شباهت,پرسپترون چندلایه‌,شبکۀ عصبی,طبقه‏بندی,نمونه‏های آموزشی}, url = {https://ije.ut.ac.ir/article_64839.html}, eprint = {https://ije.ut.ac.ir/article_64839_8ea1dfb6ae014f6e666236435596fa70.pdf} }