ارزیابی الگوریتم های طبقه بندی نظارت شده غیرپارامتریک در تهیة نقشه پوشش زمین با استفاده از تصاویر لندست 8
محورهای موضوعی : توسعه سیستم های مکانی
وحید میرزایی زاده
1
(دانش‌آموخته کارشناسی ارشد جنگل‌داری، دانشگاه ایلام)
مریم نیک نژاد
2
(دانشجوی دکتری جنگل‌داری، دانشگاه علوم کشاورزی و منابع طبیعی ساری)
جعفر اولادی قادیکلایی
3
(دانشیار دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری)
کلید واژه: Image classification, Remote Sensing, سنجش از دور, ماشین بردار پشتیبان, Support vector machine, طبقه‌بندی تصویر, نقشه پوشش زمین, آبخیز ارکواز, Land cover maps, Arakvaz watershed,
چکیده مقاله :
هدف از این تحقیق ارزیابی کارایی سه الگوریتم ماشین بردار پشتیبان، درخت تصمیم گیری و شبکه عصبی مصنوعی فازی آرتمپ جهت تهیة نقشه پوشش زمین حوزه آبخیز ارکواز با استفاده از تصویر سنجنده OLI ماهواره لندست 8 (سال 1393) است. پس از تصحیح هندسی تصاویر و پیش پردازش های صورت گرفته، اقدام به تعیین نمونه های تعلیمی مربوط به طبقات پوشش زمین برای انجام عملیات طبقه بندی شد و ارزیابی تفکیک پذیری نمونه ها در هر کدام از طبقات پوشش زمین با استفاده از شاخص آماری واگرایی تعیین شد. به منظور ارزیابی صحت نتایج طبقه بندی هر کدام از الگوریتم ها، نقشه واقعیت زمینی با استفاده از روش سیستماتیک به ابعاد 550 متری طراحی و نوع پوشش زمینی آن ها در محل نمونه ها مشخص گردید. در نهایت، کارایی روش های طبقه بندی با استفاده از معیارهای صحت کلی، ضریب کاپا، صحت تولید کننده و صحت کاربر مورد بررسی قرار گرفت. مقایسة صحت های کلی و ضریب کاپای کسب شده برای سه طبقه بندی کننده با مجموعه باندی مناسب در مقایسه با نقشة واقعیت زمینی نشان داد که طبقه بندی کننده ماشین بردار پشتیبان با مقدار صحت کلی 26/91% و ضریب کاپای 8731/0 نتایج مطلوب تری نسبت به سایر الگوریتم ها دارد. نتایج همچنین نشان داد که تفکیک و طبقه بندی اراضی جنگلی از سایر طبقات کاربری منطقه با صحت بالا صورت گرفته است.
The aim of this study was to evaluate the efficiency of three support vector machine algorithms, fuzzy decision trees and neural networks for mapping land vegetation map of Arakvaz watershed using OLI sensor of Landsat images (2014). Geometric correction and image pre-processing were utilized to determine the training samples of land vegetation classes for the classification operations. Sample resolution in the vegetation classes has been evaluated using a statistical divergence index. On the next stage, to evaluate the accuracy of algorithms' classification results, ground truth map with the dimensions of 550 m was designed using systematic approach and land vegetation types in the sampling plots were determined. Finally, the efficiency of each classification methodwas investigated bysuch criteria as overall accuracy, kappa coefficient, producer accuracy and user accuracy.Comparing the accuracy and kappa coefficient obtained for three categories with a proper band set in comparison with the ground truth map indicates that the Support Vector Machine (SVM) classifier with overall accuracy of 91.26% and kappa coefficient of 0.8731 has had more appropriate results than other algorithms. The results showed that the separation and classification of forest landswith high accuracy have beenperformedas compared to the other land use classes.