جلد 11، شماره 1 - ( بهار و تابستان 1404 )
جلد 11 شماره 1 صفحات 219-201 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Talkhablou M, Farmahinifarahani M, Siahmansouri S. A python-based framework for land cover classification in engineering geology: A comparative assessment of SVM, K-means, and spectral indices. KJES 2025; 11 (1) :201-219
URL: http://gnf.khu.ac.ir/article-1-2951-fa.html
URL: http://gnf.khu.ac.ir/article-1-2951-fa.html
تلخابلو مهدی، فرمهینی فراهانی مهدی، سیاه منصوری سبا. چارچوب مبتنی بر پایتون برای طبقه‌بندی پوشش زمین در مطالعات زمین‌شناسی مهندسی مقایسه SVM، K-means و شاخص‌های طیفی. علوم زمین خوارزمی. 1404; 11 (1) :201-219
1- دانشگاه خوارزمی ، Talkhablu@gmail.com
2- دانشگاه خوارزمی
2- دانشگاه خوارزمی
چکیده: (278 مشاهده)
طبقه‌بندی پوشش زمین از اهمیت بالایی در مطالعات زمین‌شناسی مهندسی، به‌ویژه در ارزیابی ناپایداری دامنه‌ها و حرکات توده‌ای برخوردار است. این پژوهش به ارائه یک چارچوب مبتنی بر پایتون برای طبقه‌بندی پوشش زمین پرداخته و عملکرد دو الگوریتم یادگیری ماشین شامل خوشه‌بندی k-means بدون نظارت و ماشین بردار پشتیبان (SVM( با نظارت را در مقایسه با روش‌های متداول مبتنی بر شاخص‌های طیفی NDVI، NDWI، UI و SAVI ارزیابی کرده است. منطقه مورد مطالعه در استان آذربایجان شرقی ایران، با تنوع بالایی در پوشش زمین شامل پوشش گیاهی، خاک برهنه، مناطق شهری و آب‌های سطحی است .داده‌های ماهواره‌ای لندست 8 پس از اعمال مراحل پیش‌پردازش (اصلاح گاما، نرمال‌سازی Min-Max و تحلیل مؤلفه‌های اصلی PCA) برای طبقه‌بندی چهار کلاس اصلی به کار گرفته شدند. نتایج نشان داد که الگوریتم SVM با دقت کلی 84% و ضریب کاپا 0/81 عملکرد بهتری نسبت به الگوریتمK-means با دقت %73 و ضریب کاپا 0/68 دارد. شاخص‌های طیفی به تنهایی دقتی حدود %65 فراهم کردند، اما در ترکیب با الگوریتم‌های یادگیری ماشین، کارایی آن‌ها به‌طور معنی‌داری افزایش یافت. یافته‌ها نشان می‌دهد که الگوریتم‌های یادگیری ماشین، به‌ویژهSVM ، می‌توانند به‌عنوان ابزاری قدرتمند در مطالعات زمین‌شناسی مهندسی از منظر طبقه‌بندی پوشش زمین در ارزیابی ناپایداری دامنه‌ها مورد استفاده قرار گیرند. علاوه بر این، چارچوب مبتنی بر پایتون ارائه‌شده در این پژوهش، قابلیت تکرار، شفافیت و کارایی بالایی دارد و می‌تواند به‌عنوان یک راهکار عملیاتی در مطالعات مشابه به‌کار گرفته شود.
واژه‌های کلیدی: حرکات توده‌ای، خوشه‌بندی K-means، ماشین بردار پشتیبان (SVM)، شاخص‌های طیفی، یادگیری ماشین، PCA، پایتون
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
زمین‌شناسی مهندسی
دریافت: 1404/4/21 | پذیرش: 1404/6/18 | انتشار: 1404/6/3
دریافت: 1404/4/21 | پذیرش: 1404/6/18 | انتشار: 1404/6/3
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
