مقايسه‌ي الگوريتم‌هاي طبقه بندي شبكه‌ي عصبي مصنوعي، ماشين بردار پشتيبان و حداكثر احتمال در استخراج نقشه كاربري اراضي حوزه آبخيز ابوالعباس

Comparison of Three Classification Algorithms (ANN, SVM and Maximum Likelihood) for Preparing Land Use Map (Case Study: Abolabbas Basin)

تهيه نقشه ­هاي كاربري اراضي يكي از مهمترين وظايف فن­آوري سنجش از دور در مديريت عرصه­ هاي مختلف محسوب مي­گردد. در تحقيق حاضر جهت تهيه نقشه كاربري اراضي حوزه آبخيز ابوالعباس از تصوير ماهواره­اي لندست/TM سال 1388 استفاده شده است. سپس تصوير به كمك هر يك از الگوريتم­هاي شبكه عصبي مصنوعي پرسپترون سه لايه، ماشين بردار پشتيبان شعاعي و الگوريتم حداكثر احتمال طبقه ­بندي شد. در نهايت ميزان كارايي الگوريتم­هاي مختلف طبقه ­بندي در تهيه نقشه كاربري اراضي منطقه­ي مورد نظر، با استفاده از پارامترهاي دقت كلي و ضريب كاپا مورد ارزيابي قرار گرفت. نتايج نشان داد كه روش­هاي ناپارامتريك مانند شبكه عصبي مصنوعي (دقت كلي 8/95 درصد، ضريب كاپاي95/0) و ماشين بردار پشتيبان شعاعي (دقت كلي 8/95 درصد، ضريب كاپاي94/0) با دقت كلي و ضريب كاپاي تقريبا مشابه در بهترين حالت داراي صحت و دقت بالاتري در تهيه نقشه كاربري اراضي نسبت به روش پارامتريك حداكتر احتمال (دقت كلي7/93 درصد، ضريب كاپاي91/0) مي باشند. در كل مطالعه ­ي حاضر نشان داد كه هر سه الگوريتم طبقه ­بندي شبكه عصبي مصنوعي، ماشين بردار پشتيبان و حداكثر احتمال قابليت تهيه نقشه كاربري اراضي را با صحت بالا، دارا مي باشند.

One of the most important tasks of remote sensing technology is to producing land use maps. In this study, in order to produce land use map of abolabbas basin, landsat satellite image of TM scanner acquired on 01 June 2009 were employed. the image classified by using three-layer perceptron neural network, support vector machine with the radial basis kernel function and Maximum Likelihood algorithm. So, The performance of different classification algorithms in producing land use maps were investigated using overall accuracy and kappa coefficient. Results showed that Nonparametric algorithms such as artificial neural network (with 95.8% overall accuracy and 0.95 kappa coefficient) and support vector machine with the radial basis kernel function (with 95.8% overall accuracy and 0.94 Kappa coefficient) with the same performance were better than the third method which is Parametric maximum likelihood algorithm (with 93.7% overall accuracy and 0.91 Kappa coefficient). Overall, this study showed that three classification algorithms, neural network, support vector machine and maximum likelihood are capable to generate land use maps with high accuracy.