انتخاب بهترين روش طبقه بندي تصاوير ماهواره اي جهت تغييرات كاربري اراضي در مناطق معدني

Selection of the best classification method for determination of land use changes in mining areas

تهيه نقشه كاربري اراضي براي بسياري از فعاليت هاي برنامه ريزي و مديريت شهري داراي اهميت است. در اين پژوهش به منظور تهيه پوشش اراضي محدوده معدني مس سرچشمه از داده هاي سنجنده OLI ماهواره لندست 8 در سال 2017 استفاده شده است. براي طبقه بندي تصوير، روش هاي نظارت شده با تعريف كلاس هاي آبراهه ها، پهنه رسي، واحدهاي سنگ شناسي آندزيت و آرنايت، مناطق مسكوني، پوشش گياهي، آب، جاده، محدوده معدني مورد ارزيابي قرار گرفتند. روشها شامل روش كدگذاري ديجيتال، نقشه بردار زاويه طيفي، ماشين بردار پشتيبان، واگرايي اطلاعات طيفي، متوازي السطوح، حداكثر احتمال، شبكه عصبي، حداقل فاصله و فاصله ماهالانويي مي باشند. نتايج حاصله از هر روش با داده هاي واقعي با استفاده از روش صحت كلي و ضريب كاپا مقايسه شدند. همچنين نتايج اين روشها در مقايسه با بررسي هاي ميداني و تصاوير با كيفيت مكاني بالا سرور گوگل نشان داد روش طبقه بندي ماشين بردار پشتبان، شبكه عصبي و حداكثر احتمال نتايج بهتري در تفكيك واحدهاي آموزشي معرفي شده نشان مي دهند.

This paper explores identification of the best classification method for determination of different land use classes using remote sensing data in Srcheshmeh Copper region. Satellite image of Landsat 8 (OLI) was applied in order to produce the land use map of this region through supervised classification methods including Spectral angle mapper, Divergence information Spectral, Support vector machine, Neural Network, Minimum Distance, Maximum Likelihood, Binary Encoding, Parallelepiped and Mahalobian Distance by defining 9 training classes such as mining, residential, water, vegetation, drainage, clay flat, lithological units (Andesite), road classes. The results were compared with actual classes based on Kappa and overall accuracy methods. According to these results and field data the land use maps that were produced based on Support vector machine, Neural Network and Maximum Likelihood methods demonstrated the best results in identifying training classes in the study area.