ترجمه مقاله ارزیابی کارایی روش های درخت تصمیم برای رده بندی پوشش زمین - نشریه الزویر

ترجمه مقاله ارزیابی کارایی روش های درخت تصمیم برای رده بندی پوشش زمین - نشریه الزویر
قیمت خرید این محصول
۲۹,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
ارزیابی کارایی روش های درخت تصمیم برای رده بندی پوشش زمین
عنوان انگلیسی
An assessment of the effectiveness of decision tree methods for land cover classification
صفحات مقاله فارسی
26
صفحات مقاله انگلیسی
12
سال انتشار
2003
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده و pdf
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
8.426 در سال 2018
شاخص H_index مجله
238 در سال 2019
شاخص SJR مجله
3.208 در سال 2018
شناسه ISSN مجله
0034-4257
شاخص Q یا Quartile (چارک)
Q1 در سال 2018
کد محصول
F1549
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن
درج نشده است ☓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است ✓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی عمران و جغرافیا، سنجش از راه دور، نقشه برداری
مجله
سنجش از دور محیطی - Remote Sensing of Environment
دانشگاه
دانشکده جغرافیا، دانشگاه ناتینگهام، انگلستان
کلمات کلیدی
درخت تصميم، پوشش زمین، الگوریتم طبقه بندی
کلمات کلیدی انگلیسی
Decision tree - Land cover - Classification algorithm
doi یا شناسه دیجیتال
https://doi.org/10.1016/S0034-4257(03)00132-9
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1- مقدمه
2- مجموعه های داده ای تست
3- روش ها
1-3- رده بندی کننده ماکسیمم مشابهت
2-3- رده بندی کننده شبکه عصبی مصنوعی
3-3- رده بندی کننده های درخت تصمیم
4- نتایج
1-4- اثر اندازه مجموعه آموزشی
2-4- چند بعدی بودن فضای ویژگی
3-4- مقیاس های انتخاب ویژگی
4-4- روش های هرس کردن
5-4- تقویت
5- مقایسه درخت تصمیم، ماکسیمم مشابها (ML) و رده بندی کننده های شبکه عصبی (NN)
6- نتیجه
نمونه چکیده متن اصلی انگلیسی
Abstract

Choice of a classification algorithm is generally based upon a number of factors, among which are availability of software, ease of use, and performance, measured here by overall classification accuracy. The maximum likelihood (ML) procedure is, for many users, the algorithm of choice because of its ready availability and the fact that it does not require an extended training process. Artificial neural networks (ANNs) are now widely used by researchers, but their operational applications are hindered by the need for the user to specify the configuration of the network architecture and to provide values for a number of parameters, both of which affect performance. The ANN also requires an extended training phase.

In the past few years, the use of decision trees (DTs) to classify remotely sensed data has increased. Proponents of the method claim that it has a number of advantages over the ML and ANN algorithms. The DT is computationally fast, make no statistical assumptions, and can handle data that are represented on different measurement scales. Software to implement DTs is readily available over the Internet. Pruning of DTs can make them smaller and more easily interpretable, while the use of boosting techniques can improve performance.

In this study, separate test and training data sets from two different geographical areas and two different sensors—multispectral Landsat ETM+ and hyperspectral DAIS—are used to evaluate the performance of univariate and multivariate DTs for land cover classification. Factors considered are: the effects of variations in training data set size and of the dimensionality of the feature space, together with the impact of boosting, attribute selection measures, and pruning. The level of classification accuracy achieved by the DT is compared to results from back-propagating ANN and the ML classifiers. Our results indicate that the performance of the univariate DT is acceptably good in comparison with that of other classifiers, except with high-dimensional data. Classification accuracy increases linearly with training data set size to a limit of 300 pixels per class in this case. Multivariate DTs do not appear to perform better than univariate DTs. While boosting produces an increase in classification accuracy of between 3% and 6%, the use of attribute selection methods does not appear to be justified in terms of accuracy increases. However, neither the univariate DT nor the multivariate DT performed as well as the ANN or ML classifiers with high-dimensional data.

نمونه چکیده ترجمه متن فارسی
چکیده
انتهاب یک الگوریتم طبقه بندی معمولاً مبتنی بر چندین عامل است، که از میان آن ها دسترسی پذیری نرم افزار، سهولت استفاده، و عملکرد در اینجا بواسطه دقت طبقه یندی کلی ارزیابی شده اند. رویه ماکسیمم مشابهت (ML) برای بسیاری از کاربران الگوریتم انتخاب است چون آماده استفاده است و این حقیقت که مستلزم فرایند آموزش بسط یافته نمی باشد. شبکه های عصبی مصنوعی (ANN ها) اکنون به طور گسترده توسط محققان استفاده می شوند، اما از کاربردهای عملیاتی آن ها بواسطه نیاز به کاربر برای تخصیص پیکربندی معماری شبکه برای ارائه مقادیری برای تعدادی از پارامترها جلوگیری شده است، که هر دو روی عملکرد تأثیر می گذارند. ANN نیز مستلزم فاز آموزش بسط یافته می باشد.
در چند سال اخیر، استفاده از درخت های تصمیم (DTها) برای رده بندی داده هایی که از راه دور حس شده اند افزایش یافته اند. طرفداران این روش ادعا می کنند که این درخت مزایای متعددی نسبت به الگوریتم های ML و ANN دارند. DT از نظر محاسباتی سریع است، و هیچ فرضیه آماری ایجاد نمی کند، و می تواند داده هایی را کنترل کند که در مقیاس های سنجش مختلف نشان داده شده است. نرم افزار لازم برای پیاده سازی DT ها به راحتی از اینترنت قابل دسترسی است. هرس کردن DT ها می تواند باعث کوچک تر شدن آن ها و تفسیر ساده تر و راحت تر آن ها بشود، در حالی که استفاده از تکنیک های تقویت می تواند باعث بهبود عملکرد شود.
در این مطالعه، مجموعه تست جداگانه و مجموعه های داده ای آموزشی از دو حوزه جغرافیایی مختلف و دو سنسور مختلف برای ارزیابی عملکرد DT های تک متغیره و چند متغیره برای طبقه بندی پوشش زمین استفاده شده اند. عوامل در نظر گرفته شده به شرح زیر هستند: اثرات تغییرات در اندازه مجموعه داده های آموزشی چند بعدی بود فضای ویژگی، همراه با تأثیر تویت، مقیاس های انتخاب ویژگی، و هرس کردن. سطح دقت رده بندی DT تک متغیره با نتایج ANN پس انتشار و رده بندی کننده های ML مقایسه شده است. نتایج ما نشان می دهد که عملکرد DT تک متغیره در مقایسه با عملکرد دیگر رده بندی کننده ها قابل قبول است، به جز با داده های دارای ابعاد بالا. دقت رده بندی به طور خطی با اندازه مجموعه داده های آموزشی تا حد 300 پیکسل در هر رده در این مورد افزایش می یابد. DT های چند متغیره عملکرد بهتری نسبت به DT های تک متغیره ندارند. در حالی که تقویت باعث افزایشی در دقت رده بندی بین 3 و 6 درصد می شود و به نظر می رسد که روش های انتخاب ویژگی با توجه به افزایش های ایجاد شده در دقت تنظیم شود. اما، نه DT تک متغیره و نه DT چند متغیره عملکرد مشابه با ANN یا رده بندی کننده های ML با ابعاد دارای ابعاد بالا دارند.

بدون دیدگاه