ارزیابی سه الگوریتم مختلف طبقه بندی جهت تهیه نقشه پوشش صخره های مرجانی از تصاویر ماهواره ای لندست ۸

امیرمسعود چگونیان، amirmasoud chegoonian : department of photogrammetry & remote sensing, faculty of geodesy & geomatics engineering, khaje nasir toosi university of technology, tehran, iranتهران-خ ولیعصر- تقاطع میرداماد- دانشگاه خواجه نصیرالدین طوسی- دانشکده ژئودزی و ژئوماتیک، کد پستی: 15433-19667 مهدی مختارزاده، mehdi makhtarzade : department of photogrammetry & remote sensing, faculty of geodesy & geomatics engineering, khaje nasir toosi university of technology, tehran, iranتهران-خ ولیعصر- تقاطع میرداماد- دانشگاه خواجه نصیرالدین طوسی- دانشکده ژئودزی و ژئوماتیک، کد پستی: 15433-19667 محمدجواد ولدان زوج، mahammad javad valadan zouj : department of photogrammetry & remote sensing, faculty of geodesy & geomatics engineering, khaje nasir toosi university of technology, tehran, iranتهران-خ ولیعصر- تقاطع میرداماد- دانشگاه خواجه نصیرالدین طوسی- دانشکده ژئودزی و ژئوماتیک، کد پستی: 15433-19667

چکیده

در پژوهش حاضر تأثیر الگوریتم­های طبقه­بندی بر دقت حاصل از طبقه­بندی پوشش آبسنگ­های مرجانی با استفاده از تصاویر سنجنده­ی لندست 8 مربوط به سال 2013 میلادی، بررسی گردید. به این منظور به غیر از الگوریتم بیشترین احتمال که الگوریتم متداول در طبقه بندی پوشش صخره­های مرجانی می­باشد، کارایی الگوریتم­های شبکه عصبی و ماشین بردار پشتیبان نیز بررسی گردید. در این بررسی، علاوه بر داده های جزیره­ای در ساحل شرقی استرالیا، تعمیم­پذیری نتایج به آبسنگ­های مرجانی جزایر قشم و لارک نیز مورد تحقیق واقع شد. برای این کار همزمان با اخذ تصاویر ماهواره­ای، طی انجام عملیات غواصی، به تهیه داده­های میدانی از آبسنگ های مرجانی جزایر قشم و لارک اقدام شد. نتایج الگوریتم های طبقه بندی، بسته به تعداد کلاس­ها متغیر بود. به نحوی که در طبقه بندی 2 کلاسه الگوریتم بیشترین احتمال عملکرد بهتری داشت ولی با افزایش تعداد کلاس­ها، الگوریتم­های ماشین بردار پشتیبان و شبکه عصبی برتری خود را بر الگوریتم بیشترین احتمال نشان دادند. به طور متوسط، این دو الگوریتم­ به ترتیب بهبود دقت متوسط در حدود 7% و 9% را نسبت به الگوریتم بیشترین احتمال نشان دادند. پیاده­سازی روش تحقیق بر روی داده های منطقه­ی قشم و لارک، تعمیم­پذیری نتایج الگوریتم ماشین بردار پشتیبان را در این منطقه اثبات نمود. الگوریتم ماشین بردار پشتیبان با دقت کل 68% بهبود دقت 8% را نسبت به روش بیشترین احتمال در این منطقه نشان داد. الگوریتم شبکه عصبی با دقت کل 58%، ضعیف­ترین عملکرد را نسبت به دو الگوریتم دیگر، در این منطقه نشان داد که به دلیل حساسیت بالای این روش به کاهش تعداد داده های آموزشی هست. به نظر می­رسد علت عمده در برتری روش ماشین بردار پشتیبان نسبت به روش بیشترین احتمال، توانایی این الگوریتم در طبقه بندی پیکسل های مخلوط و با تعداد کم می­باشد.