زمینه و هدف: با عنایت به وضوح مکانی بالای داده های Geoeye، به دلیل توزیع گسترده تر پیکسل ها، نقشه های خروجی در دو روش طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD)، حساس تر و با جزئیات پیکسلی بیشتر همراه هستند. با توجه به حجم زیاد اطلاعات در سنسورهای جدید، هدف این مطالعه توسعه و ارتقاء عملکرد الگوریتم های طبقه بندی پیچیده تر، برای تفسیر داده های ماهواره ای مدرن است. روش بررسی: طبقه بندی مدل پایه FCDبراساس چهار شاخص اصلی، حساس به سایه، خاک بدون پوشش، شرایط و تراکم پوشش گیاهی، و بدون نیاز به نمونه تعلیمی، عمل می نماید. الگوریتم شبکه عصبی با حساسیت بالایی نسبت به باندهای تصویر اصلی و باندهای ایجاد شده و اضافه شده به تصویر و همچنین نمونه آموزشی معرفی شده، عمل می کند. نمونه های تعلیمی، تابستان 1395و 96 در سری 5 و 6 حوزه آبخیز 30 رامسر، بررسی گردیدند. یافته ها: با استفاده از روش یاد شده دقت 5/24٪ برای روش FCD و 2/26٪ برای روش شبکه عصبی بدست آمده است. با توجه به اینکه داده های استفاده شده از وضوح بالایی برخوردارند، نقشه خروجی در این روش توسعه یافته، با تراکم بالای پولی گون ها همراه است. بحث و نتیجه گیری: با توجه به دامنه ظهور پیکسل ها در نقشه های خروجی دو روش یاد شده، روش توسعه یافته ای برای تولید نقشه دقیق تر، با توجه به قدرت تفکیک مکانی زیاد سنجنده Geoeye، ارائه شده است. در این روش با طبقه بندی مجدد در محدوده حداکثر فراوانی پیکسل ها، مرزبندی پولی گون ها در ابعاد بسیار کوچکتر و دقیق تر قابل ملاحظه است. تفاصيل المقالة