مستخدم:Mokhtari maroua/ملعب

خرائط الغطاء الأرضي هي أدوات توفر معلومات حيوية حول استخدام الأرض وأنماط الغطاء. فهي تساعد في تطوير السياسات والتخطيط الحضري ومراقبة الغابات والزراعة. ^[1] ^[2]

غالبًا ما يتبع رسم الخرائط المنهجي لأنماط الغطاء الأرضي ، بما في ذلك اكتشاف التغيير ، نهجين رئيسيين:

المسح الميداني
الاستشعار عن بعد معالجة صور الأقمار الصناعية . ^[3] يستخدم هذا النهج الفعال من حيث التكلفة العديد من التقنيات للمعالجة المسبقة للصور ومعالجتها لرسم خرائط دقيقة لأنماط الغطاء الأرضي. تكتشف هذه التقنيات التغييرات في مختلف المقاييس المكانية بعد سلسلة من محاكاة التعلم الآلي والتطبيقات الإحصائية .

لتصنيف الخاضع للإشراف

التصنيف الخاضع للإشراف هو نظام تصنيف يقوم فيه المستخدم ببناء سلسلة من مجموعات بيانات التدريب التي يتم إنشاؤها عشوائيًا أو التوقيعات الطيفية التي تمثل فئات مختلفة لاستخدام الأراضي والغطاء الأرضي (LULC) ويطبق مجموعات البيانات هذه في نماذج التعلم الآلي للتنبؤ بـ LULC وتصنيفه مكانيًا الأنماط وتقييم دقة التصنيف.

الخوارزميات

تم تطوير العديد من خوارزميات التعلم الآلي للتصنيف الخاضع للإشراف.

تصنيف الاحتمالية القصوى (MLC) ^[4] - يصنف هذا الأسلوب التواقيع المتداخلة عن طريق تقدير احتمال أن بكسل الصورة مع أقصى احتمال يتوافق مع نوع LULC معين. كما أنه يعتمد على مصفوفات المتوسط والتغاير لمجموعات بيانات التدريب ويفترض أهمية إحصائية لبكسل الصورة. ^[4]
الحد الأدنى للمسافة (MD) ^[4] - شكل من أشكال التصنيف الخاضع للإشراف الذي يحدد حدود القرار بين بكسلات الصورة لتصنيف الغطاء الأرضي. ^[4] يتم تشكيل حدود القرار عن طريق حساب متوسط المسافة بين بكسلات الفئة واستخدام الانحراف المعياري لمجموعات بيانات التدريب التي تم إنشاؤها لإنشاء مربع متوازي السطوح .
مسافة ماهالانوبيس ^[5] - نظام تصنيف يستخدم خوارزمية المسافة الإقليدية لتعيين فئات الغطاء الأرضي من مجموعة من مجموعات بيانات التدريب. ^[5]
مخطط الصياد الطيفي (SAM) ^[6] - أسلوب تصنيف طيفي للصور يستخدم القياسات الزاويّة لتحديد العلاقة بين طيفين ، ومعاملتهما كمتجهات في فضاء q الأبعاد ، حيث تمثل الأبعاد q عدد النطاقات. ^[6]
التحليل التمييزي (DA) - نظام تصنيف تفصل فيه خوارزمية التصنيف مجموعات بكسلات الصورة وثيقة الصلة إلى فئات ، وتقليل التباين داخل الفئات ، وتعظيم التباين بين الفئات باتباع قاعدة تمييز احتمالية قصوى.
الخوارزمية الجينية ^[7] - نظام تصنيف يطبق المبادئ الجينية لاختيار مجموعات مناسبة من بيانات التدريب وتصنيفها تحت تأثير المتنبئين (نطاقات صور الأقمار الصناعية). ^[7]
الفضاء الجزئي ^[8] ^[9] - أسلوب تصنيف يقوم فيه المصنف بإنشاء مساحات فرعية ذات أبعاد منخفضة لكل فئة غطاء أرضي يتم اختيارها من مجموعة من نقاط التدريب. يتضمن نهج إنشاء الفضاء الجزئي الأبعاد إجراء تحليل مكون رئيسي على نقاط التدريب. ^[8] ^[9] يوجد نوعان من خوارزميات الفضاء الجزئي لتقليل أخطاء تصنيف الغطاء الأرضي: ضغط المعلومات المميزة بالفئة (CLAFIC) ^[10] وطريقة الفضاء الجزئي للتعلم المتوسط (ALSM). ^[11]
التصنيف المتوازي ^[12] - مصنف مساحة الميزة الذي يقوم بتعيين نطاق من القيم لكل فئة غطاء أرضي داخل كل نطاق صورة وإنشاء مربعات محيط حيث يتم تحديد وحدات البكسل من كل فئة غطاء أرضي لتدريب المصنف. ^[12]
الشبكات العصبية الاصطناعية متعددة الإدراك الحسي (MP ‑ ANNs) ^[13] ^[14] - نظام تصنيف يستخدم فيه المصنف سلسلة من الشبكات العصبية أو العقد لتصنيف الغطاء الأرضي بناءً على عمليات الانتشار العكسي لعينات التدريب.
آلات ناقلات الدعم (SVMs) ^[15] - نهج تصني
ف يستخدم فيه المصنف نواقل الدعم للحصول على حدود القرار المثلى التي تفصل بين فئتين أو أكثر من فئات الغطاء الأرضي.
Random Forest (RF) ^[16] - أسلوب يستخدم فيه المصنف bootstraps لإنشاء العديد من أشجار القرار التي تصنف مجموعات بيانات التدريب بناءً على عدد من نطاقات صور الأقمار الصناعية. ^[16]
K- أقرب خوارزمية جيران ( k ‑ NN) ^[15] - يرسم هذا الأسلوب أقرب عينات من مجموعات بيانات التدريب ويصنف الغطاء الأرضي بناءً على المسافة بين هذه العينات.
شجرة القرار (DT) ^[13] - مثل التردد الراديوي ، تشكل DT مجموعة من العقد المتصلة التي تقسم عينات التدريب إلى مجموعة من مجموعات الغطاء الأرضي. ^[13] وتتمثل مزاياه في أنه سريع وسهل الإنشاء والتفسير للبيانات الأصغر ، وجيد في استبعاد الخلفية أو المعلومات غير المهمة. إنه غير ملائم لأنه يمكن أن يؤدي إلى زيادة التجهيز ، خاصة لمجموعات البيانات الكبيرة.
مجموعات ضبابية (منطقة حرة)

التصنيف غير الخاضع للرقابة

التصنيف غير الخاضع للإشراف هو نظام تصنيف يتم فيه تصنيف وحدات البكسل أو مجموعات البكسل تلقائيًا بواسطة البرنامج دون أن يقوم المستخدم بتطبيق ملفات التوقيع أو بيانات التدريب. ومع ذلك ، يحدد المستخدم عدد الفئات التي سينشئ الكمبيوتر تلقائيًا لها عن طريق تجميع وحدات البكسل المماثلة في فئة واحدة باستخدام خوارزمية التجميع. يستخدم نظام التصنيف هذا في الغالب في المناطق التي لا توجد بها ملاحظات ميدانية أو معرفة مسبقة بأنواع الغطاء الأرضي المتاحة.

الخوارزميات

تقنية تحليل البيانات التكرارية ذاتية التنظيم (ISODATA) - في هذا النهج ، يقوم المصنف تلقائيًا بتجميع عدد من وحدات البكسل ذات الصلة الوثيقة في مجموعات ، ثم يحسب المجموعات المتوسطة ويصنف الغطاء الأرضي بناءً على سلسلة من التكرارات المتكررة.
K- يعني التجميع ^[17] - أسلوب يستخرج فيه الكمبيوتر تلقائيًا ميزات الغطاء الأرضي k من صور الأقمار الصناعية ، ويصنف الصورة الكلية بناءً على الوسائل المحسوبة للمعالم المستخرجة.

تصنيف مؤشرات الغطاء النباتي

تصنيف مؤشرات الغطاء النباتي هو نظام يتم فيه الجمع بين نطاقين طيفيين أو أكثر من خلال خوارزميات إحصائية محددة لتعكس الخصائص المكانية للغطاء النباتي.

تستفيد معظم هذه المؤشرات من العلاقة بين نطاقات الأشعة الحمراء والأشعة تحت الحمراء القريبة (NIR) لصور الأقمار الصناعية لتوليد خصائص الغطاء النباتي. تم تطوير العديد من مؤشرات الغطاء النباتي ؛ يقوم العلماء بتطبيقها عن طريق الاستشعار عن بعد لتصنيف الغطاء الحرجي وأنماط استخدام الأراضي بشكل فعال.

تستخدم هذه المؤشرات الطيفية نطاقين أو أكثر لاكتساب الانعكاس السطحي لخصائص الأرض بدقة ، وبالتالي تحسين دقة التصنيف. ^[18] ^[19]

مؤشرات الغطاء النباتي

فهرس الغطاء النباتي للفرق الطبيعي (NDVI) ^[20] ^[21] - مُعرَّف على أنه النسبة بين نطاقي الأشعة تحت الحمراء والأشعة تحت الحمراء القريبة (NIR) لصور الأقمار الصناعية. يتم حسابها على النحو التالي:

${\text{NVDI}}={({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}})}$

يقيس هذا المؤشر خضرة الغطاء النباتي ، وتتراوح قيمه بين -1 و 1. تمثل قيم NDVI المرتفعة غطاء نباتي كثيف ، وتمثل قيم NDVI المعتدلة غطاء نباتي متناثر ، وتقابل قيم NDVI المنخفضة مناطق غير نباتية (على سبيل المثال ، الأراضي القاحلة أو الجرداء). ^[22]

مؤشر الغطاء النباتي المُحسَّن (EVI) ^[23] - يُعرَّف بأنه النسبة بين العصابات الحمراء و NIR والأزرق ، مع عامل كسب (G) ، وعامل تصحيح سطوع التربة (L) وعوامل تصحيح الهباء الجوي (C). ^[24] ^[25] يتم حسابها على النحو التالي:

$G\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+C_{1}\times {\text{Red}}-C_{2}\times {\text{Blue}}+L)}$

مع القيم الافتراضية عادةً L = 0.5 و G = 2.5.

مؤشر الغطاء النباتي في التربة (SAVI) ^[26] - يُعرَّف بأنه النسبة بين قيم الأحمر و NIR مع عامل تصحيح سطوع التربة (L). يتم حسابها على النحو التالي:

${\text{SAVI}}=(1+L)\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}}+L)}$

مؤشر ظل الستارة (SI) - مُعرَّف على أنه الجذر التربيعي للنطاقين الأحمر والأخضر لصور القمر الصناعي. يقوم بتقييم أنماط الظل المختلفة لمظلات الغابات بناءً على العمر والبنية والتكوين ، وكذلك يميز بسهولة الغابات الكثيفة عن العشب والأراضي المجردة. ^[27] ^[28] يتم حسابها على النحو التالي:

${\text{SI}}={\sqrt[{}]{(256-{\text{Green}})\times (256-{\text{Red}})}}$

حيث يتراوح اللون الأحمر والأخضر بين 0 و 256.

مؤشر الغطاء النباتي المتقدم (AVI) - يستخدم لتمييز الغطاء الحرجي عن الأراضي العشبية والمناطق الجرداء. يتم حسابها على النحو التالي:

{\text{AVI}}={\sqrt[{3}]{({\text{NIR}}+1)\times ({\text{256}}-{\text{Red}})\times ({\text{NIR}}-{\text{Red}})}}

حيث يتراوح اللون الأحمر بين 0 و 256.

فهرس التربة العارية (BSI) ^[29] ^[30] - مُعرَّف على أنه النسبة بين NIR والنطاقات الحمراء والزرقاء لصور الأقمار الصناعية. يقيس كمية التربة العارية وبالتالي يزداد مع انخفاض كثافة الغابات. ^[30] ^[31] يتم حسابها على النحو التالي:

{\text{BSI}}={({\text{NIR}}+{\text{Green}})-{\text{Red}} \over ({\text{NIR}}+{\text{Green}})+{\text{Red}}}

مؤشر الماء التفاضلي الطبيعي (NDWI) ^[32] - تم تطويره لقياس المحتوى المائي للنباتات وخصائص نظام الأرض الأخرى ، باستخدام الأشعة تحت الحمراء قصيرة الموجة (SWIR). يتم حسابها على النحو التالي

{\text{NDWI}}={{\text{NIR}}-{\text{SWIR}} \over {\text{NIR}}+{\text{SWIR}}}

مؤشر المبني التفاضلي الطبيعي (NDBI) ^[33] - تم تطويره لتقدير المساحات المبنية في صور الأقمار الصناعية. يتم حسابها على النحو التالي:

{\text{NDBI}}={{\text{SWIR}}-{\text{NIR}} \over {\text{SWIR}}+{\text{NIR}}}

أنظر أيضا

^ Wessels، Konrad J.؛ Reyers، Belinda؛ van Jaarsveld، Albert S.؛ Rutherford، Mike C. (أبريل 2003). "Identification of potential conflict areas between land transformation and biodiversity conservation in north-eastern South Africa". Agriculture, Ecosystems & Environment. ج. 95 ع. 1: 157–178. DOI:10.1016/s0167-8809(02)00102-0. ISSN:0167-8809.
^ Gebhardt، Steffen؛ Wehrmann، Thilo؛ Ruiz، Miguel؛ Maeda، Pedro؛ Bishop، Jesse؛ Schramm، Matthias؛ Kopeinig، Rene؛ Cartus، Oliver؛ Kellndorfer، Josef (30 أبريل 2014). "MAD-MEX: Automatic Wall-to-Wall Land Cover Monitoring for the Mexican REDD-MRV Program Using All Landsat Data". Remote Sensing. ج. 6 ع. 5: 3923–3943. Bibcode:2014RemS....6.3923G. DOI:10.3390/rs6053923. ISSN:2072-4292.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)
^ Cracknell، Matthew J.؛ Reading، Anya M. (فبراير 2014). "Geological mapping using remote sensing data: A comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial information". Computers & Geosciences. ج. 63: 22–33. Bibcode:2014CG.....63...22C. DOI:10.1016/j.cageo.2013.10.008. ISSN:0098-3004.
^ ^ا ^ب ^ج ^د Press, Forex. "Analysis of Supervised Image Classification Method for Satellite Images" (بالإنجليزية). {{استشهاد بدورية محكمة}}: الاستشهاد بدورية محكمة يطلب |دورية محكمة= (help)
^ ^ا ^ب Khan، Umair؛ Minallah، Nasru؛ Junaid، Ahmad؛ Gul، Kashaf؛ Ahmad، Nasir (ديسمبر 2015). "Parallelepiped and Mahalanobis Distance based Classification for forestry identification in Pakistan". 2015 International Conference on Emerging Technologies (ICET). IEEE. ص. 1–6. DOI:10.1109/icet.2015.7389199. ISBN:978-1-5090-2013-3.
^ ^ا ^ب Kruse، F. A.؛ Lefkoff، A. B.؛ Boardman، J. W.؛ Heidebrecht، K. B.؛ Shapiro، A. T.؛ Barloon، P. J.؛ Goetz، A. F. H. (1993). "The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data". AIP. ج. 283: 192–201. Bibcode:1993AIPC..283..192K. DOI:10.1063/1.44433.
^ ^ا ^ب Maulik، Ujjwal؛ Bandyopadhyay، Sanghamitra (سبتمبر 2000). "Genetic algorithm-based clustering technique". Pattern Recognition. ج. 33 ع. 9: 1455–1465. Bibcode:2000PatRe..33.1455M. DOI:10.1016/s0031-3203(99)00137-5. ISSN:0031-3203.
^ ^ا ^ب Sun، Weiwei؛ Ma، Jun؛ Yang، Gang؛ Du، Bo؛ Zhang، Liangpei (يونيو 2017). "A Poisson nonnegative matrix factorization method with parameter subspace clustering constraint for endmember extraction in hyperspectral imagery". ISPRS Journal of Photogrammetry and Remote Sensing. ج. 128: 27–39. Bibcode:2017JPRS..128...27S. DOI:10.1016/j.isprsjprs.2017.03.004. ISSN:0924-2716.
^ ^ا ^ب Sun، Weiwei؛ Du، Bo؛ Xiong، Shaolong (1 مايو 2017). "Quantifying Sub-Pixel Surface Water Coverage in Urban Environments Using Low-Albedo Fraction from Landsat Imagery". Remote Sensing. ج. 9 ع. 5: 428. Bibcode:2017RemS....9..428S. DOI:10.3390/rs9050428. ISSN:2072-4292.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)
^ Gülmezoğlu، M. Bilginer؛ Dzhafarov، Vakıf؛ Edizkan، Rifat؛ Barkana، Atalay (أبريل 2007). "The common vector approach and its comparison with other subspace methods in case of sufficient data". Computer Speech & Language. ج. 21 ع. 2: 266–281. DOI:10.1016/j.csl.2006.06.002. ISSN:0885-2308.
^ Laaksonen، Jorma؛ Oja، Erkki (1996)، Malsburg؛ Seelen، Werner؛ Vorbrüggen، Jan C.؛ Sendhoff، Bernhard (المحررون)، "Subspace dimension selection and averaged learning subspace method in handwritten digit classification"، Artificial Neural Networks — ICANN 96، Berlin, Heidelberg: Springer Berlin Heidelberg، ج. 1112: 227–232، DOI:10.1007/3-540-61510-5_41، ISBN:978-3-540-61510-1، اطلع عليه بتاريخ 2021-04-13
^ ^ا ^ب Mei Xiang؛ Chih-Cheng Hung؛ Minh Pham؛ Bor-Chen Kuo؛ Coleman، T. (2005). "A parallelepiped multispectral image classifier using genetic algorithms". Proceedings. 2005 IEEE International Geoscience and Remote Sensing Symposium, 2005. IGARSS '05. Seoul, Korea: IEEE. ج. 1. ص. 482–485. DOI:10.1109/IGARSS.2005.1526216. ISBN:978-0-7803-9050-8.
^ ^ا ^ب ^ج Beucher، A.؛ Møller، A.B.؛ Greve، M.H. (أكتوبر 2019). "Artificial neural networks and decision tree classification for predicting soil drainage classes in Denmark". Geoderma. ج. 352: 351–359. Bibcode:2019Geode.352..351B. DOI:10.1016/j.geoderma.2017.11.004. ISSN:0016-7061.
^ Silva، Leonardo Pereira e؛ Xavier، Ana Paula Campos؛ da Silva، Richarde Marques؛ Santos، Celso Augusto Guimarães (مارس 2020). "Modeling land cover change based on an artificial neural network for a semiarid river basin in northeastern Brazil". Global Ecology and Conservation. ج. 21: e00811. DOI:10.1016/j.gecco.2019.e00811. ISSN:2351-9894.
^ ^ا ^ب Lo، C. P.؛ Choi، Jinmu (يوليو 2004). "A hybrid approach to urban land use/cover mapping using Landsat 7 Enhanced Thematic Mapper Plus (ETM+) images". International Journal of Remote Sensing. ج. 25 ع. 14: 2687–2700. Bibcode:2004IJRS...25.2687L. DOI:10.1080/01431160310001618428. ISSN:0143-1161.
^ ^ا ^ب Mellor، Andrew؛ Haywood، Andrew؛ Stone، Christine؛ Jones، Simon (4 يونيو 2013). "The Performance of Random Forests in an Operational Setting for Large Area Sclerophyll Forest Classification". Remote Sensing. ج. 5 ع. 6: 2838–2856. Bibcode:2013RemS....5.2838M. DOI:10.3390/rs5062838. ISSN:2072-4292.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)
^ Abbas, A.; Minalla, N.; Ahmad, N.; Abid, S.; Khan, M. K-means and ISODATA clustering algorithms for landcover classification using remote sensing. Sindh Univ. Res. J. SURJ (Sci. Ser.) 2016, 48, 315–318
^ Tso، Brandt؛ Mather، Paul M. (2001). Classification Methods for Remotely Sensed Data. Abingdon, UK: Taylor & Francis. DOI:10.4324/9780203303566. ISBN:978-0-203-35581-7.
^ Shaban، M. A.؛ Dikshit، O. (يناير 2001). "Improvement of classification in urban areas by the use of textural features: The case study of Lucknow city, Uttar Pradesh". International Journal of Remote Sensing. ج. 22 ع. 4: 565–593. Bibcode:2001IJRS...22..565D. DOI:10.1080/01431160050505865. ISSN:0143-1161.
^ Pettorelli، Nathalie؛ Vik، Jon Olav؛ Mysterud، Atle؛ Gaillard، Jean-Michel؛ Tucker، Compton J.؛ Stenseth، Nils Chr. (سبتمبر 2005). "Using the satellite-derived NDVI to assess ecological responses to environmental change". Trends in Ecology & Evolution. ج. 20 ع. 9: 503–510. DOI:10.1016/j.tree.2005.05.011. ISSN:0169-5347. PMID:16701427.
^ Pettorelli، Nathalie؛ Gaillard، Jean-Michel؛ Mysterud، Atle؛ Duncan، Patrick؛ Chr. Stenseth، Nils؛ Delorme، Daniel؛ Van Laere، Guy؛ Toïgo، Carole؛ Klein، Francois (مارس 2006). "Using a proxy of plant productivity (NDVI) to find key periods for animal performance: the case of roe deer". Oikos. ج. 112 ع. 3: 565–572. DOI:10.1111/j.0030-1299.2006.14447.x. ISSN:0030-1299.
^ Wegmann M, Leutner B, Dech S (2016) Remote sensing and GIS for ecologists: using open source software. Pelagic Publishing, Exeter, UK
^ Jiang، Z.؛ Huete، A.؛ Didan، K.؛ Miura، T. (15 أكتوبر 2008). "Development of a two-band enhanced vegetation index without a blue band". Remote Sensing of Environment. ج. 112 ع. 10: 3833–3845. Bibcode:2008RSEnv.112.3833J. DOI:10.1016/j.rse.2008.06.006. ISSN:0034-4257.
^ Hui Qing Liu؛ Huete، A. (مارس 1995). "A feedback based modification of the NDVI to minimize canopy background and atmospheric noise". IEEE. ج. 33 ع. 2: 457–465. DOI:10.1109/36.377946. ISSN:0196-2892.
^ Xue, Jinru; Su, Baofeng (23 May 2017). "Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications". Journal of Sensors (بالإنجليزية). 2017: 1–17. DOI:10.1155/2017/1353691.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)
^ Huete، A.R (أغسطس 1988). "A soil-adjusted vegetation index (SAVI)". Remote Sensing of Environment. ج. 25 ع. 3: 295–309. Bibcode:1988RSEnv..25..295H. DOI:10.1016/0034-4257(88)90106-x. ISSN:0034-4257.
^ Rikimaru، R.؛ Roy، P.S.؛ Miyatake، S. (2002). "Tropical forest cover density mapping". Tropical Ecology. ج. 43: 39–47.
^ Baynes، Jack (يناير 2004). "Assessing forest canopy density in a highly variable landscape using Landsat data and FCD Mapper software". Australian Forestry. ج. 67 ع. 4: 247–253. DOI:10.1080/00049158.2004.10674942. ISSN:0004-9158.
^ Rikimaru, A., 1999. The concept of FCD mapping model and semi-expert system. FCD mapper user’s guide. International Tropical Timber Organization and Japan Overseas Forestry Consultants Association. Pp 90.
^ ^ا ^ب Rikimaru، R.؛ Roy، P.S.؛ Miyatake، S. (2002). "Tropical forest cover density mapping". Tropical Ecology. ج. 43: 39–47.
^ Baynes، Jack (يناير 2004). "Assessing forest canopy density in a highly variable landscape using Landsat data and FCD Mapper software". Australian Forestry. ج. 67 ع. 4: 247–253. DOI:10.1080/00049158.2004.10674942. ISSN:0004-9158.
^ Gao، Bo-cai (ديسمبر 1996). "NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space". Remote Sensing of Environment. ج. 58 ع. 3: 257–266. Bibcode:1996RSEnv..58..257G. DOI:10.1016/s0034-4257(96)00067-3. ISSN:0034-4257.
^ Zha، Y.؛ Gao، J.؛ Ni، S. (يناير 2003). "Use of normalized difference built-up index in automatically mapping urban areas from TM imagery". International Journal of Remote Sensing. ج. 24 ع. 3: 583–594. Bibcode:2003IJRS...24..583Z. DOI:10.1080/01431160304987. ISSN:0143-1161.

[1] Wessels، Konrad J.؛ Reyers، Belinda؛ van Jaarsveld، Albert S.؛ Rutherford، Mike C. (أبريل 2003). "Identification of potential conflict areas between land transformation and biodiversity conservation in north-eastern South Africa". Agriculture, Ecosystems & Environment. ج. 95 ع. 1: 157–178. DOI:10.1016/s0167-8809(02)00102-0. ISSN:0167-8809.

[2] Gebhardt، Steffen؛ Wehrmann، Thilo؛ Ruiz، Miguel؛ Maeda، Pedro؛ Bishop، Jesse؛ Schramm، Matthias؛ Kopeinig، Rene؛ Cartus، Oliver؛ Kellndorfer، Josef (30 أبريل 2014). "MAD-MEX: Automatic Wall-to-Wall Land Cover Monitoring for the Mexican REDD-MRV Program Using All Landsat Data". Remote Sensing. ج. 6 ع. 5: 3923–3943. Bibcode:2014RemS....6.3923G. DOI:10.3390/rs6053923. ISSN:2072-4292.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)

[3] Cracknell، Matthew J.؛ Reading، Anya M. (فبراير 2014). "Geological mapping using remote sensing data: A comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial information". Computers & Geosciences. ج. 63: 22–33. Bibcode:2014CG.....63...22C. DOI:10.1016/j.cageo.2013.10.008. ISSN:0098-3004.

[:0-4] ا ^ب ^ج ^د Press, Forex. "Analysis of Supervised Image Classification Method for Satellite Images" (بالإنجليزية). {{استشهاد بدورية محكمة}}: الاستشهاد بدورية محكمة يطلب |دورية محكمة= (help)

[:4-5] ا ^ب Khan، Umair؛ Minallah، Nasru؛ Junaid، Ahmad؛ Gul، Kashaf؛ Ahmad، Nasir (ديسمبر 2015). "Parallelepiped and Mahalanobis Distance based Classification for forestry identification in Pakistan". 2015 International Conference on Emerging Technologies (ICET). IEEE. ص. 1–6. DOI:10.1109/icet.2015.7389199. ISBN:978-1-5090-2013-3.

[:5-6] ا ^ب Kruse، F. A.؛ Lefkoff، A. B.؛ Boardman، J. W.؛ Heidebrecht، K. B.؛ Shapiro، A. T.؛ Barloon، P. J.؛ Goetz، A. F. H. (1993). "The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data". AIP. ج. 283: 192–201. Bibcode:1993AIPC..283..192K. DOI:10.1063/1.44433.

[:6-7] ا ^ب Maulik، Ujjwal؛ Bandyopadhyay، Sanghamitra (سبتمبر 2000). "Genetic algorithm-based clustering technique". Pattern Recognition. ج. 33 ع. 9: 1455–1465. Bibcode:2000PatRe..33.1455M. DOI:10.1016/s0031-3203(99)00137-5. ISSN:0031-3203.

[:7-8] ا ^ب Sun، Weiwei؛ Ma، Jun؛ Yang، Gang؛ Du، Bo؛ Zhang، Liangpei (يونيو 2017). "A Poisson nonnegative matrix factorization method with parameter subspace clustering constraint for endmember extraction in hyperspectral imagery". ISPRS Journal of Photogrammetry and Remote Sensing. ج. 128: 27–39. Bibcode:2017JPRS..128...27S. DOI:10.1016/j.isprsjprs.2017.03.004. ISSN:0924-2716.

[:8-9] ا ^ب Sun، Weiwei؛ Du، Bo؛ Xiong، Shaolong (1 مايو 2017). "Quantifying Sub-Pixel Surface Water Coverage in Urban Environments Using Low-Albedo Fraction from Landsat Imagery". Remote Sensing. ج. 9 ع. 5: 428. Bibcode:2017RemS....9..428S. DOI:10.3390/rs9050428. ISSN:2072-4292.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)

[10] Gülmezoğlu، M. Bilginer؛ Dzhafarov، Vakıf؛ Edizkan، Rifat؛ Barkana، Atalay (أبريل 2007). "The common vector approach and its comparison with other subspace methods in case of sufficient data". Computer Speech & Language. ج. 21 ع. 2: 266–281. DOI:10.1016/j.csl.2006.06.002. ISSN:0885-2308.

[11] Laaksonen، Jorma؛ Oja، Erkki (1996)، Malsburg؛ Seelen، Werner؛ Vorbrüggen، Jan C.؛ Sendhoff، Bernhard (المحررون)، "Subspace dimension selection and averaged learning subspace method in handwritten digit classification"، Artificial Neural Networks — ICANN 96، Berlin, Heidelberg: Springer Berlin Heidelberg، ج. 1112: 227–232، DOI:10.1007/3-540-61510-5_41، ISBN:978-3-540-61510-1، اطلع عليه بتاريخ 2021-04-13

[:9-12] ا ^ب Mei Xiang؛ Chih-Cheng Hung؛ Minh Pham؛ Bor-Chen Kuo؛ Coleman، T. (2005). "A parallelepiped multispectral image classifier using genetic algorithms". Proceedings. 2005 IEEE International Geoscience and Remote Sensing Symposium, 2005. IGARSS '05. Seoul, Korea: IEEE. ج. 1. ص. 482–485. DOI:10.1109/IGARSS.2005.1526216. ISBN:978-0-7803-9050-8.

[:2-13] ا ^ب ^ج Beucher، A.؛ Møller، A.B.؛ Greve، M.H. (أكتوبر 2019). "Artificial neural networks and decision tree classification for predicting soil drainage classes in Denmark". Geoderma. ج. 352: 351–359. Bibcode:2019Geode.352..351B. DOI:10.1016/j.geoderma.2017.11.004. ISSN:0016-7061.

[14] Silva، Leonardo Pereira e؛ Xavier، Ana Paula Campos؛ da Silva، Richarde Marques؛ Santos، Celso Augusto Guimarães (مارس 2020). "Modeling land cover change based on an artificial neural network for a semiarid river basin in northeastern Brazil". Global Ecology and Conservation. ج. 21: e00811. DOI:10.1016/j.gecco.2019.e00811. ISSN:2351-9894.

[:1-15] ا ^ب Lo، C. P.؛ Choi، Jinmu (يوليو 2004). "A hybrid approach to urban land use/cover mapping using Landsat 7 Enhanced Thematic Mapper Plus (ETM+) images". International Journal of Remote Sensing. ج. 25 ع. 14: 2687–2700. Bibcode:2004IJRS...25.2687L. DOI:10.1080/01431160310001618428. ISSN:0143-1161.

[:3-16] ا ^ب Mellor، Andrew؛ Haywood، Andrew؛ Stone، Christine؛ Jones، Simon (4 يونيو 2013). "The Performance of Random Forests in an Operational Setting for Large Area Sclerophyll Forest Classification". Remote Sensing. ج. 5 ع. 6: 2838–2856. Bibcode:2013RemS....5.2838M. DOI:10.3390/rs5062838. ISSN:2072-4292.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)

[17] Abbas, A.; Minalla, N.; Ahmad, N.; Abid, S.; Khan, M. K-means and ISODATA clustering algorithms for landcover classification using remote sensing. Sindh Univ. Res. J. SURJ (Sci. Ser.) 2016, 48, 315–318

[18] Tso، Brandt؛ Mather، Paul M. (2001). Classification Methods for Remotely Sensed Data. Abingdon, UK: Taylor & Francis. DOI:10.4324/9780203303566. ISBN:978-0-203-35581-7.

[19] Shaban، M. A.؛ Dikshit، O. (يناير 2001). "Improvement of classification in urban areas by the use of textural features: The case study of Lucknow city, Uttar Pradesh". International Journal of Remote Sensing. ج. 22 ع. 4: 565–593. Bibcode:2001IJRS...22..565D. DOI:10.1080/01431160050505865. ISSN:0143-1161.

[20] Pettorelli، Nathalie؛ Vik، Jon Olav؛ Mysterud، Atle؛ Gaillard، Jean-Michel؛ Tucker، Compton J.؛ Stenseth، Nils Chr. (سبتمبر 2005). "Using the satellite-derived NDVI to assess ecological responses to environmental change". Trends in Ecology & Evolution. ج. 20 ع. 9: 503–510. DOI:10.1016/j.tree.2005.05.011. ISSN:0169-5347. PMID:16701427.

[21] Pettorelli، Nathalie؛ Gaillard، Jean-Michel؛ Mysterud، Atle؛ Duncan، Patrick؛ Chr. Stenseth، Nils؛ Delorme، Daniel؛ Van Laere، Guy؛ Toïgo، Carole؛ Klein، Francois (مارس 2006). "Using a proxy of plant productivity (NDVI) to find key periods for animal performance: the case of roe deer". Oikos. ج. 112 ع. 3: 565–572. DOI:10.1111/j.0030-1299.2006.14447.x. ISSN:0030-1299.

[22] Wegmann M, Leutner B, Dech S (2016) Remote sensing and GIS for ecologists: using open source software. Pelagic Publishing, Exeter, UK

[23] Jiang، Z.؛ Huete، A.؛ Didan، K.؛ Miura، T. (15 أكتوبر 2008). "Development of a two-band enhanced vegetation index without a blue band". Remote Sensing of Environment. ج. 112 ع. 10: 3833–3845. Bibcode:2008RSEnv.112.3833J. DOI:10.1016/j.rse.2008.06.006. ISSN:0034-4257.

[24] Hui Qing Liu؛ Huete، A. (مارس 1995). "A feedback based modification of the NDVI to minimize canopy background and atmospheric noise". IEEE. ج. 33 ع. 2: 457–465. DOI:10.1109/36.377946. ISSN:0196-2892.

[25] Xue, Jinru; Su, Baofeng (23 May 2017). "Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications". Journal of Sensors (بالإنجليزية). 2017: 1–17. DOI:10.1155/2017/1353691.{{استشهاد بدورية محكمة}}: صيانة الاستشهاد: دوي مجاني غير معلم (link)

[26] Huete، A.R (أغسطس 1988). "A soil-adjusted vegetation index (SAVI)". Remote Sensing of Environment. ج. 25 ع. 3: 295–309. Bibcode:1988RSEnv..25..295H. DOI:10.1016/0034-4257(88)90106-x. ISSN:0034-4257.

[:10-27] Rikimaru، R.؛ Roy، P.S.؛ Miyatake، S. (2002). "Tropical forest cover density mapping". Tropical Ecology. ج. 43: 39–47.

[:11-28] Baynes، Jack (يناير 2004). "Assessing forest canopy density in a highly variable landscape using Landsat data and FCD Mapper software". Australian Forestry. ج. 67 ع. 4: 247–253. DOI:10.1080/00049158.2004.10674942. ISSN:0004-9158.

[29] Rikimaru, A., 1999. The concept of FCD mapping model and semi-expert system. FCD mapper user’s guide. International Tropical Timber Organization and Japan Overseas Forestry Consultants Association. Pp 90.

[:102-30] ا ^ب Rikimaru، R.؛ Roy، P.S.؛ Miyatake، S. (2002). "Tropical forest cover density mapping". Tropical Ecology. ج. 43: 39–47.

[:112-31] Baynes، Jack (يناير 2004). "Assessing forest canopy density in a highly variable landscape using Landsat data and FCD Mapper software". Australian Forestry. ج. 67 ع. 4: 247–253. DOI:10.1080/00049158.2004.10674942. ISSN:0004-9158.

[32] Gao، Bo-cai (ديسمبر 1996). "NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space". Remote Sensing of Environment. ج. 58 ع. 3: 257–266. Bibcode:1996RSEnv..58..257G. DOI:10.1016/s0034-4257(96)00067-3. ISSN:0034-4257.

[33] Zha، Y.؛ Gao، J.؛ Ni، S. (يناير 2003). "Use of normalized difference built-up index in automatically mapping urban areas from TM imagery". International Journal of Remote Sensing. ج. 24 ع. 3: 583–594. Bibcode:2003IJRS...24..583Z. DOI:10.1080/01431160304987. ISSN:0143-1161.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]