fa شناسایی کاربری اراضی شهری از طریق محتوای کاربرتولید و با بهره‌گیری از روش طبقه‌بندی یادگیری عمیق سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research <span style="font-weight:normal;">نقشه بروز کاربری زمین، ازجمله اطلاعات لازم جهت سیاست‌گذاری و مدیریت شهری است، درحالیکه روش سنتی تولید و به‌روزرسانی اطلاعات مکانی توسط سازمان‌های تولید نقشه، نیازمند صرف زمان و هزینه زیاد است. ایجاد فناوری‌هایی نظیر گوشی‌های هوشمند، تعیین موقعیت آنی و توسعه شبکه‌های اجتماعی، باعث تولید انبوه داده‌های کاربر تولید مکانی شده است. هدف این مطالعه شناسایی کاربری زمین با استفاده از اطلاعات کاربر تولید&nbsp; است. در این پژوهش کاربری‌های شهری در شش طبقه مسکونی، تجاری و خرید، اداری و خدماتی، مختلط، تجمع و تفریحی و دیگر کاربری‌ها در نظر گرفته‌شده و از اطلاعات شبکه اجتماعی توییتر به‌عنوان محتوای کاربر تولید استفاده‌شده است. روش مورداستفاده جهت طبقه‌بندی اطلاعات کاربر تولید، طبقه‌بندی با استفاده از یادگیری عمیق و شبکه مورداستفاده، از نوع شبکه بازگشتی است. با توجه به عدم توازن موجود در اطلاعات، جهت رفع آن از الگوریتم ماشین بردار پشتیبان استفاده شد. ارزیابی نتایج نشان‌دهنده این است که با استفاده از روش ارائه‌شده، کاربری‌های شهری با دقت کلی 64 درصد طبقه‌بندی‌شده‌اند. در بین طبقات شهری، کاربری مسکونی با دقت </span><span dir="LTR" style="font-weight:normal;">77</span><span style="font-weight:normal;"> درصد بهترین دقت را دارد. همچنین سطح زیر نمودار منحنی مشخصه عملکرد برابر 0/88 با است که نشان‌دهنده قابلیت اطمینان مناسب طبقه‌بندی است. در مقایسه نتایج حاصل از روش الگوریتم ماشین بردار پشتیبان برای رفع عدم توازن داده با روش بیش نمونه‌برداری تصادفی، مشاهده شد که استفاده از روش ماشین بردار پشتیبان، باعث ایجاد بهبود دقت می‌شود.</span> One of the necessary pieces of information for policy-making and urban management is an up-to-date land use map, while the time and cost of producing and updating spatial information using traditional mapping methods and by national or private mapping organizations are too high. The advancement of technology such as smart phones, real-time positioning, and social network development has resulted in the mass production of User Generated Geographic Content (UGGC). The purpose of this study is to identify the land use type of the parcels using&nbsp; UGGCs. In this research six categories of urban land use types have been taken into cosideration: residential, commercial/shopping, office/service, mixed, entertainment/recreational, and the other ones; and the social network data of Twitter is used as User-generated content.&nbsp; Deep learning classification and Recurrent Neural Network (RNN) are utilized to analyze the user-generated data. To eliminate the imbalance of the input data, the Support Vector Machine (SVM) algorithm is utilized. Evaluation of the results of the proposed method demonstrates classification of urban land uses with an overall accuracy of 64%. Among urban use classes, the residential one is the best with 77 percent accuracy. The area under the ROC curve is also 0.88, which indicates the appropriate reliability of the proposed method. To eliminate data imbalance, comparing the results of the SVM algorithm with the random method of sampling, reveals that SVM presents higher accuracy. یادگیری عمیق, کاربری زمین, اطلاعات کاربرتولید, شبکه عصبی بازگشتی, توییتر Deep Learning, Land use, User-generated Content, Recurrent Neural Network, Twitter 43 61 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-33-6&slc_lang=fa&sid=1 Ali Golipoor علی گلی پور golipoorali@email.kntu.ac.ir 10031947532846009261 10031947532846009261 No k.n.toosi university دانشگاه صنعتی خواجه نصرالدین طوسی Mohammad Taleai محمد طالعی taleai@kntu.ac.ir 10031947532846009262 10031947532846009262 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصرالدین طوسی Ali Asghar Alesheikh علی اصغر آل شیخ ali_alesheikh@yahoo.com 10031947532846009263 10031947532846009263 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصرالدین طوسی Ghasem Javadi قاسم جوادی ghasem.javadi@gmail.com 10031947532846009264 10031947532846009264 No University of Bojnord دانشگاه بجنورد