تعيين بهترين الگوريتم طبقه‌بندي به‌منظور تخمين سطح زير كشت نخيلات با استفاده از تصاوير ماهواره لندست 8

محصول خرما يكي از ارزشمندترين محصولات باغباني در ايران به‌شمار مي‌آيد كه 16% كل صادرات جهاني را شامل مي‌شود. استان كرمان دومين رتبه در سطح زير كشت خرما در ايران را دارا است. به همين منظور تعيين سطح زير كشت خرما اهميت پيدا كرده است. برخي از سازمان‌ها براي تعيين سطح زير كشت از سرشماري استفاده مي‌كنند كه معايب آن هزينه بالا و اتلاف وقت و نياز به نيروي انساني زياد براي پوشش‌دهي كل كشور است. هدف از اين تحقيق سنجش توانايي ماهواره لندست 8 با سنجده OLI در شناسايي و تعيين سطح زير كشت نخلستان‌ها است. براي پي بردن به بهترين روش براي شناسايي نخلستان‌ها چهار روش طبقه‌بندي نظارت‌شده Maximum Likelihood Classifier (MLC), Support Vector Machines (SVM), Neural Network (NN), Mahalanobis Distance Classifier (MDC) و يك روش طبقه‌بندي نظارت‌نشده (KMeans) مورد ارزيابي قرار گرفت. نتايج طبقه‌بندي‌ها نشان داد كه دقت كلي طبقه‌بندي99.10 % (ضريب كاپا 0.98) با استفاده از NN، 98.77 % (ضريب كاپا 0.975) با استفاده از MLC، 98.66 % (ضريب كاپا 0.973) با استفاده از SVM، 98.52 % (ضريب كاپا 0.97) با استفاده از MDC و 66.52 % ( ضريب كاپا 0.31) با استفاده از KMeans است. خطاي تخمين مساحت نخيلات با استفاده از ( RMSE) در روش NN (0)، در روش MLC (0.2)، در روش MDC (0.06)، در روش SVM (0) و در روش KMeans (0) محاسبه شد. پس از تحليل‌داده‌ها بهترين روش طبقه‌بندي براي شناسايي نخلستان‌ها روش NN شناخته شد. در پژوهش حاضر، با بررسي انجام‌شده بر روي‌داده‌ها در ماتريس آشفتگي مشخص شد كه SVM قدرت بالاتري براي شناسايي نخلستان با تشخيص 100% سامانه (توليدكننده) نسبت به MLC را داشت و همچنين KMeans نيز مي‌تواند نخلستان خرما را شناسايي كند اما مناطقي كه به رنگ قهوه‌اي تيره هستند را نيز به‌عنوان نخلستان شناسايي كرده است. در مجموع مي‌توان گفت هر چهار روش طبقه‌بندي نظارت‌شده با دقت قابل قبولي مي‌توانند نخلستان را شناسايي كنند.