Journal of Operational Research and Its Applications

fa دسته‌بندی داده‌های جریانی خاکستری با تلفیق تحلیل پوششی داده‌ها و تصمیم‌گیری چندشاخصه: کاربرد در خوشه‌بندی پوشش گیاهی Classification of Grey Streaming Data Using Integrated Data Envelopment Analysis and Multi-Attribute Decision Making: Application to Vegetation Clusterin تخصصي Special پژوهشي Research در این پژوهش روشی نوین برای دسته‌بندی داده‌های جریانی خاکستری ارایه شده است که بر ترکیب تحلیل پوششی داده‌ها (DEA) و روش‌های تصمیم‌گیری چندشاخصه (MADM) استوار است. داده‌های جریانی به دلیل پویایی زمانی و حجم بالا، و نیز همراهی با عدم قطعیت، چالش‌برانگیزترین انواع داده برای طبقه‌بندی به شمار می‌آیند. در این مطالعه، داده‌های ماهواره‌ای لندست به‌عنوان نمونه‌ای از داده‌های جریانی انتخاب شد و مقادیر روشنایی پیکسل‌ها پس از نرمال‌سازی، به صورت داده‌های کسری در بازه صفر تا یک مدل‌سازی گردید. سپس با استفاده از شاخص نرمال‌شده تفاضلی پوشش گیاهی (NDVI)، پیکسل‌ها به‌صورت نظارت‌نشده در دو خوشه «دارای پوشش گیاهی» و «فاقد پوشش گیاهی» تفکیک شدند. برای تعیین آستانه تفکیک بین دو خوشه، الگوریتم تصمیم‌گیری چندشاخصه مبتنی بر جایگشت به کار گرفته شد تا بهترین خط جدایش بر اساس معیارهای از پیش تعیین‌شده انتخاب شود. مدل پیشنهادی ابتدا بر داده‌های شبیه‌سازی‌شده آزمایش و سپس بر داده‌های واقعی پوشش گیاهی در محدوده‌ای از شهر تهران پیاده‌سازی شد. نتایج اعتبارسنجی با استفاده از نقاط نمونه و تصاویر گوگل ارث نشان داد که روش ارایه‌شده قادر است با دقتی در حدود ۸۰ درصد، خوشه‌بندی قابل اتکایی از پوشش گیاهی ارایه کند. نوآوری اصلی تحقیق، توسعه الگوریتمی ترکیبی برای دسته‌بندی داده‌های جریانی خاکستری و بهره‌گیری از رویکردهای تحقیق در عملیات در تحلیل داده‌های سنجش از دور است؛ الگوریتمی که قابلیت تعمیم به دیگر حوزه‌های مواجه با داده‌های حجیم و نامطمئن را نیز دارد.   This study proposes a novel method for classifying grey streaming data by integrating Data Envelopment Analysis (DEA) with Multi-Attribute Decision Making (MADM) techniques. Streaming data are inherently dynamic and continuously evolving, and the presence of grey uncertainty further increases the complexity of their analysis. In this research, Landsat satellite imagery was used as a representative example of streaming data. Pixel brightness values were first normalized into fractional grey numbers within the interval [0, 1], and the Normalized Difference Vegetation Index (NDVI) was computed to provide an initial unsupervised separation between vegetated and non-vegetated areas. To determine an optimal threshold between these two classes, a permutation-based MADM algorithm was employed. The proposed model was first evaluated using simulated data and then applied to real satellite imagery from a region in Tehran, Iran. Validation based on randomly selected reference points using Google Earth images demonstrated that the method achieved an overall vegetation-classification accuracy of approximately 80%. The main contribution of this research lies in developing a hybrid DEA–MADM framework capable of handling continuous and uncertain grey data, thereby expanding the analytical capacity of operations research techniques within remote sensing applications. تحلیل پوششی داده‌ها, داده‌های جریانی خاکستری, تصمیم‌گیری چندشاخصه, خوشه‌بندی پوشش گیاهی, لندست. Data Envelopment Analysis (DEA), Grey Streaming Data, Multi-Attribute Decision Making (MADM). 0 0 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-2161-1&slc_lang=fa&sid=1 M. Davoudabadi میثم داودآبادی فراهانی Meysam.davoodabadi@yahoo.com 100319475328460011492 100319475328460011492 No Department of Remote Sensing, Hikmat Institute of Higher Education, Qom, Iran گروه سنجش از دور موسسه آموزش عالی حکمت قم، قم، ایران A. Mohtadi علی مهتدی mohtadi1375@gmail.com 100319475328460011493 100319475328460011493 Yes Remote Sensing, Hikmat Institute of Higher Education, Qom, Iran گروه سنجش از دور، موسسه آموزش عالی حکمت قم، قم، ایران