انتخاب بهترين روش طبقه‌بندي در تهيه نقشه كاربري اراضي با استفاده از داده‌هاي سنجنده OLI ماهواره لندست 8(مطالعه موردي حوضه آبخيز بهشت گمشده، استان فارس)

Comparison of different classification algorithms in Landsat OLI imagery to produce land use maps Case study: Beheshte Gomshode region

لازمه اتخاذ اطلاعات دقيق ار فناوري سنجش از دور، طبقه‌بندي اصولي و دقيق تصاوير ماهواره‌اي مي‌باشد. نقشة كاربري اراضي يكي از فاكتور هاي اساسي در مطالعات منابع طبيعي و مديريت محيط زيست مي‌باشد. اغلب تهية نقشة كاربري اراضي يك منطقه يكي از پرهزينه‌ترين بخش‌هاي پروژه‌هاي زيست محيطي و منابع طبيعي است. در سال هاي اخير محققان از روش‌هاي مختلفي نقشه كاربري اراضي را با استفاده از اين داده‌ها تهية كرده‌اند. روش‌هاي مختلفي جهت طبقه‌بندي تصاوير ماهواره‌اي وجود دارد. هر يك از روش‌ها داراي معايب و مزايايي مي باشند. در تحقيق حاضر هدف انتخاب بهترين روش طبقه‌بندي تصوير OLI ماهواره‌ لندست 8 در تهيه نقشه كاربري اراضي بود. بر اين اساس از 8 الگوريتم‌ مختلف طبقه‌بندي نظارت‌شده جهت استخراج نقشه كاربري اراضي منطقه بهشت گمشده استفاده شد. نتايج نشان داد كه روش‌هاي حداكثر احتمال و ماشين بردار پشتيبان با صحت كلي 98/93 و 98/73 و ضريب كاپا به ترتيب 98/41 و 98/09 درصد نسبت به روش‌هاي ديگر داراي دقت بالاتري هستند. اولويت‌بندي دقت روش‌هاي 8گانه به ترتيب حداكثر احتمال ، ماشين بردار پشتيبان ، فاصله ماهالانوبي ، واگرايي اطلاعات طيفي ، نقشه‌بردار زاويه طيفي ، حداقل فاصله ، كدهاي باينري و سطوح موازي بود. روش حداكثر احتمال بيشترين اطمينان طبقه-بندي با ميزان 98/83 درصد را در سطح اعتماد 1 درصد به‌خود اختصاص داد. نتايج تحقيق حاضر نشان-دهنده دقت روش‌هاي مختلف طبقه‌بندي تصاوير ماهواره‌اي جهت كاهش وقت و هزينه مي‌باشد.

All necessary information from the remote sensing technology basics and accurate classification of satellite images. Land use mapping is one of the key factors in studies of environment and natural resources management. Mapping land use is often one of the most expensive parts of natural resources and environmental projects. Satellite data is one of the fastest and most cost-effective methods for mapping land use that is available for researchers. In recent years, researchers from the different methods of classification algorithms land use maps have been produced using this data. This study investigated the ability of 8 common algorithms for land use mapping by Beheshte Gomshodeh in Fars province Using data from the Landsat OLI sensor is 2015. The results showed that the ML and SVM classification by 98.98 and 98.73% overall accuracy factor and 98.41 and 98.09% kappa coefficient is better than other methods, respectively. The accuracy of the order of priority 8 that is, Maximum likelihood, Support Vector Mashine, Mahalanobis distance, Spectral information divergence, Spectral angle mapper, Minimum distance from the mean, binary code and parallel piped. Method of maximum likelihood classification with98.83 was the highest confidence in level of 1 percent confidence interval. All the research results of this study can be using the correct classification. Land use maps can be extracted with higher accuracy.