مقايسه كارآيي روشهاي پارامتريك و ناپارامتريك در طبقه بندي پوشش اراضي با استفاده از تصاوير ماهوار هاي لندست8

Compare the efficiency of parametric and nonparametric methods in classifying land cover using satellite images Landsat 8

نقشه پوشش اراضي يكي از اطلاعات پايه در مطالعات مربوط به برنامه ريزي و ارزيابي محيط زيست شهري مي باشد. فناوري سنجش از دور به دليل ارائه اطلاعات به روز از سطح زمين با مقياس هاي زماني و مكاني مختلف، پتانسيل بالايي در تهيه نقشه به روز پوشش اراضي شهري دارد. هدف پژوهش حاضر مقايسه كارايي روش پارامتريك (حداكثر احتمال) و ناپارامتريك (ماشين بردار پشتيبان) در طبقه بندي تصاوير ماهواره‌اي مي‌باشد. در اين مطالعه از تصاوير لندست 8 مربوط به تاريخ 11 مرداد 1393 استفاده گرديد. بررسي ها نشان داد كه تصوير مورد استفاده زمين مرجع بود. پس از اطمينان از عدم نياز به تصحيح هندسي، نمونه هاي تعليمي جمع آوري و شاخص واگرايي نمونه هاي تعليمي محاسبه شد. سپس نقشه پوشش اراضي با استفاده از دو الگوريتم حداكثر احتمال و ماشين بردار پشتيبان در هفت طبقه جاده، مناطق مسكوني، پوشش سبز، اراضي باير، اراضي آيش، اراضي شور و رخنمون هاي سنگي تهيه شد. در نهايت ميزان كارايي دو روش طبقه بندي، با استفاده از دو شاخص صحت كلي و ضريب كاپا ارزيابي گرديد. نتايج نشان داد روش ماشين بردار پشتيبان با دقت كلي 44/93 درصد و ضريب كاپا 86/0كارايي بالاتري را در مقايسه با روش حداكثر احتمال در تهيه نقشه پوشش اراضي مناطق شهري دارد.

Land Cover Map is one of the basic information in studies related to urban planning and environmental assessment. Remote sensing technology has a powerful potential to update urban land cover maps by providing updated information of earth’s surface with different spatial and temporal domains. The present study aims to compare performance of parametric (Maximum Likelihood) and non-parametric (Support Vector Machine) methods in land cover classification using satellite images. The image used in this analysis was acquired on July 1, 2014 by Landsat 8 OLI. Following an accurate control for geometric correction, collected training samples and divergence index of training samples was calculated. Land cover maps were then created in seven classes; bare land, roads, green cover, fallow land, saline lands and mountains. Finally, the performance of two classification methods was evaluated using indices of overall accuracy and kappa coefficient. The results revealed that Support Vector Machine method with an overall accuracy 93.44 and kappa coefficient 0.86 has a better performance compared to the maximum likelihood method in land cover mapping urban areas