تعيين روش بهينه طبقه بندي و نقشه سازي كاربري/ پوشش اراضي با مقايسه الگوريتم هاي شبكه عصبي مصنوعي وماشين بردار پشتيبان با استفاده از داده هاي ماهواره اي (مطالعه موردي: تالاب بين المللي هامون)

Determining the optimal method for classification and mapping of land use/land cover through comparison of artificial neural network and support vector machine algorithms using satellite

زمينه و هدف: طبقه بندي تصاوير يكي از روش هاي مهم درتفسيرتصاوير ماهواره اي است كه كاربرد زيادي در بررسي تغييرات زمين دارد. در اين ميان داده هاي ماهواره اي به دليل ارايه اطلاعات به روز، ارزان بودن و تنوع اشكال بهترين وسيله براي آشكارسازي و ارزيابي تغييرات شناخته شده است. از طرفي ديگر در سال هاي اخير روش هاي شبكه هاي عصبي مصنوعي به طور وسيع و گسترده جهت طبقه بندي داده هاي ماهواره اي استفاده مي شود. هدف از اين پژوهش مقايسه سه روش مختلف جهت طبقه بندي پوشش اراضي با استفاده از تصوير سنجده OLI سال 2014 طي يك دوره 26 ساله مي باشد. روش بررسي: در اين مقاله تصوير سنجنده OLI (1393) از لحاظ هندسي و اتمسفري در نرم افزار ENVI تصحيح شد. سپس جهت طبقه بندي تصوير به سه روش شبكه هاي عصبي مصنوعي آرتمپ فازي، شبكه عصبي مصنوعي پرسپترون چند لايه و روش ماشين بردار پشتيبان با استفاده از نرم افزار IDRIS Selva، نقشه پوشش اراضي به پنج كلاس آب، پوشش گياهي، نيزار، اراضي باير و اراضي شور طبقه بندي گرديد. در نهايت به منظور ارزيابي صحت با استفاده از صحت كاربر، صحت توليد كننده، صحت كلي، ضريب كاپا و ماتريس خطا، نقشه ايجاد شده با نقشه واقعيت زميني ايجاد شده توسط GPS و تصاوير گوگل ارث و بازديدهاي صحرايي مورد مقايسه قرار گرفت. بحث و نتيجه‌گيري: نتايج نشان دادند كه روش آرتمپ فازي بيش ترين ميزان دقت را با صحت كل 94.68 و ضريب كاپاي91/. نسبت به دو روش شبكه عصبي مصنوعي پرسپترون چند لايه با صحت كل 92.99 و ضريب كاپاي 89/. و ماشين بردار پشتيبان با صحت كل 90.93و ضريب كاپاي 85/. در طبقه بندي داده هاي ماهواره اي دارد.

Background and Objective: Images classification is one of the important techniques for interpretation of satellite images that is widely used in survey of earth changes. In the meantime, satellite data has been recognized as the best tool for detection and evaluation of changes due to its update information, low costs and variety of forms. Therefore, land use/land cover map is one of the most important information required by the environmental managers and planners. On the other hand, in recent years, artificial neural network method has been used widely for the classification of satellite data. The aim of this study is to compare three different methods for land cover classification using 2014 OLI image over a 26-year period. Method: In this study, digital data of OLI (2014) sensor was used in order to optimize image classification method. Initially, the image was corrected in terms of geometry and radiometry in the ENVI software. Then IDRISI software was used for image classification using three different methods: fuzzy artmap, multilayer perceptron artificial neural networks and support vector machine. Finally, land cover maps were classified into five categories: water, vegetation, canebrake, barren lands and saline lands. To evaluate accuracy with the help of user accuracy, producer accuracy, overall accuracy, kappa coefficient and error matrix, the created map was compared with the ground reality map created by GPS, Google Earth images and field observations. Discussion and Conclusion: The results of image accuracy evaluation showed that among the applied methods the fuzzy artmap algorithm had the highest accuracy in classification of satellite data with an overall accuracy of 94.68 and kappa coefficient of 0.91 compared to both multilayer perceptron artificial algorithm with an overall accuracy of 92.99 and kappa coefficient of 0.89 and support vector machine with an overall accuracy of 90.93 and kappa coefficient of 0.85. This study showed that classification of fuzzy artmap artificial neural network algorithm has a high capability to create the land cover map with high accuracy.