مقاله نقشه برداری حساسیت به خشکسالی با استفاده از دو الگوریتم ماشین بردار پشتیبانی یک کلاسی (2017 الزویر)

1- مقدمه

2- توصیف منطقه تحت مطالعه

3-مواد و مصالح

3.1- داده

3.2- روش بررسی:

3.2.1-شاخص بارندگی استاندارد (SPI)

3.2.2- شاخص گیاهی بهبودیافته (EVI)

3.3-ماشین بردار پشتیبانی یک کلاسی

3.4- توابع کرنل

3.4.1- توابع پایه شعاعی (RBF)

3.5- مقیاس تفکیک پذیری جفری/ماتوسیتا (JM)

4-نتایج

4.1-اعتبار سنجی نتایج

5- مباحثه ای کوتاه و نتیجه گیری

This paper investigates the use of standardised precipitation index (SPI) and the enhanced vegetation index (EVI) as indicators of soil moisture. On the other hand, we attempted to produce a drought sensitivity map (DSM) for vegetation cover using two one-class support vector machine (OC-SVM) algorithms. In order to achieve promising results a combination of both 30 years statistical data (1978 to 2008) of synoptic stations and 10 years MODIS imagery archive (2001 to 2010) are used within the boundary of Kermanshah province, Iran. The synoptic data and MODIS imagery were used for extraction of SPI and EVI, respectively. The objective is, therefore, to explore meaningful changes of vegetation in response to drought anomalies, in the first step, and further extraction of reliable spatio-temporal patterns of drought sensitivity using efficient classification technique and spatial criteria, in the next step. To this end, four main criteria including elevation, slope, aspect and geomorphic classes are considered for DSM using two OC-SVM algorithms. Results of the analysis showed distinct spatio-temporal patterns of drought impacts on vegetation cover. The receiver operating characteristics (ROC) curves for the proposed DSM was used along with the simple overlay technique for accuracy assessment phase and the area under curve (AUC = 0.80) value was calculated.

این مقاله، استفاده از شاخص های بارندگی استاندارد (SPI) و شاخص گیاهی بهبودیافته (EVI)را به عنوان نشانگر رطوبت خاک استفاده می کند. از طرفی تلاش نموده ایم که نقشه حساسیت به خشکسالی (DSM) را برای پوشش گیاهی با استفاده از دو الگوریتم ماشین بردار پشتیبانی یک کلاسی ایجاد نماییم (OC-SVM). به منظور رسیدن به نتایج امیدوار کننده، ترکیبی از داده های آماری30 ساله (1978-2008) از ایستگاه های سیوپتیک و آرشیو 10ساله تصویربرداری MODIS (2010-2001) در مرز استان کرمانشاه (واقع در ایران) استفاده شده است. داده های سیناپتیک و تصویربرداری MODIS به ترتیب برای استخراج SVI و EVI مورد استفاده قرار گرفتند. بنابراین هدف، بررسی تغییرات معنادار گیاهی در پاسخ به ناهنجاری های خشکسالی در گام اول و استخراج بیشتر الگوهای فضایی- زمانی قال اطمینان از حساسیت خشکسالی با استفاده از تکنیک طبقه بندی کارآمد و معیارهای فضایی در گام بعدی می باشد. برای رسیدن به این هدف، 4 معیار اصلی که شامل کلاس های ژئومورفیک، ظاهر ،ارتفاع و شیب می شود برای DSM با استفاده از دو الگوریتم OC-SVM بررسی شدند. نتایج تحلیل ها نشان دهنده الگوها متمایز فضایی- زمانی از اثرات خشکسالی بر پوشش گیاهی بوده است. نمودار خصوصیات عملیاتی دریافت کننده (ROC) برای DSM پیشنهادی، همراه با تکنیک جایگذاشت ساده برای فاز ارزیابی دقت، مورد استفاده قرار گرفته است و مساحت زیر نمودار (AUC=0.80) محاسبه شد.