مقایسه روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست ۸
چکیده
تهیه نقشه کاربری/پوشش اراضی، برای برنامهریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهورهای و تکنیکهای سنجش از دور،به دلیل فرآهم آوردن دادههای بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گستردهای در تمامی بخشها از جمله بخشهای کشاورزی و منابع طبیعی دارند. در پژوهش حاضر طبقهبندیکنندههای شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا جهت تهیه نقشهکاربری/پوشش اراضی شهرستانهای اردبیل، نیر و نمین مورد ارزیابی قرار گرفت. تصویر سنجنده (oli) operational land imager لندست 8 (سال 2013) پس از تصحیحات هندسی و توپوگرافیکی تحت این الگوریتمها قرار گرفته و به 9 طبقه کاربری و پوشش اراضی شامل پهنههای آبی، زراعت آبی، زراعت دیم، چمنزار، برونزدگی سنگی، جنگل، مرتع، عرصههای مسکونی و انسانساخت و فرودگاه طبقهبندی شد. پس از ارزیابی صحت، صحت کلی برای نقشه حاصل از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا به ترتیب برابر با 91/89، 68/85 و37/94 درصد و مقدار کاپای آنها به ترتیب 88/0، 82/0 و 93/0 برآورد شد که نشاندهنده برتری روش شیءگرا در مقایسه با دو روش دیگر است. هر سه روش توانستند صحتی قابل قبول برای نقشههای کاربری/پوشش اراضی ارائه دهند. در کل، سه روش طبقهبندی پیشرفته، در منطقه ناهمگن با تغییرات ارتفاعی بیش از 3600 متر با استفاده از نسل جدید تصاویر سنجنده لندست 8 آزمون و مناسبترین روش تهیه نقشه کاربری/پوشش اراضی معرفی شد.