مقايسۀ روش‌هاي بيشترين شباهت، ماشين بردار پشتيبان و شبكۀ عصبي مصنوعي در آشكارسازي سطوح نفوذناپذير شهري با استفاده از تصوير با قدرت تفكيك مكاني بالا

Comparison of Support Vector Machine, Artificial Neural Networks, and Maximum Likelihood Methods in Urban Impervious Surfaces Detection Using High Spatial Resolution Image

سطوح نفوذناپذير عامل مهمي در نظارت بر توسعه شهري و كيفيت محيط زيست است. به همين دليل، شناخت اين سطوح پيش شرطي براي رسيدن به توسعه پايدار شهري خواهد بود. هر چند روش‌هاي گوناگوني براي تشخيص و مطالعه اين سطوح وجود دارد ولي تعيين دقيق و مقرون به صرفه اين سطوح، هنوز يك چالش مهم براي پژوهشگران شهري است. با توجه به افزايش دسترسي به داده‌هاي سنجش از دور، در اين پژوهش با استفاده از تصوير سنجنده geoeye سال 2009، دقت روش‌هاي سه‌گانه طبقه‌بندي بيشترين شباهت، شبكه عصبي مصنوعي و ماشين بردار پشتيبان را در تعيين سطوح نفوذناپذير در بخشي از شهر بندرعباس بررسي و مقايسه شده است. به اين منظور، بعد از انجام عمليات پيش پردازش‌هاي لازم بر روي تصوير، با استفاده از آلگوريتم‌هاي مورد اشاره، پنج كلاس خيابان و ساختمان (به عنوان سطوح نفوذناپذير)، بدنه آبي، پوشش‌گياهي و زمين باير (به عنوان سطوح نفوذپذير شهري) براي هر سه روش، استخراج شدند. براي ارزيابي نتايج، روش‌هاي دقت كلي، ضريب كاپا، دقت كاربر و توليدكننده مورد استفاده قرار گرفت. نتايج نشان داد كه روش ماشين بردار پشتيبان با دقت كلي94.7 درصد و ضريب كاپا 0.93، نسبت به روش شبكه عصبي مصنوعي (با دقت صحت كلي 93.1 درصد و ضريب كاپا 0.90) و روش بيشترين شباهت (با دقت صحت كلي 92.2 درصد و ضريب كاپا 0.89)، داراي دقت بهتري است. مطالعه حاضر هرچند نشان داد كه روش ماشين بردار پشتيبان داراي صحت بالاتري بود اما با اين وجود، دقت‌ روش‌هاي بيشترين شباهت و شبكه عصبي مصنوعي نيز در تعيين سطوح نفوذناپذير، مناسب و قابل قبول بوده و پردازش تصاوير با قدرت تفكيك مكاني بالا با اين روش‌ها، مي‌تواند سطوح نفوذناپذير را تشخيص دهد.

Impenetrable surfaces are an important factor in monitoring urban development and environmental quality. For this reason, recognizing these levels will be a precondition for achieving sustainable urban development. Although there are various methods for detecting and studying these levels, accurate and cost-effective determination of these levels is still an important challenge for urban researchers. Due to the increasing availability of remote sensing data, in this study using the GeoEye 2009 image, the accuracy of the three most common classification methods, artificial neural network and support vector machine for determining impermeable surfaces in a part of Bandar Abbas city was compared. For this purpose, after performing the necessary preprocessing operations on the image, using the aforementioned algorithms, five classes of street and building (as impermeable surfaces), water body, vegetation and wasteland (as impermeable urban surfaces) for each Three methods were extracted. To evaluate the results, methods of overall accuracy, kappa coefficient, user and producer accuracy were used. The results showed that the support vector machine with 94.7% overall accuracy and kappa coefficient 0.93, compared to artificial neural network method (93.1% overall accuracy and kappa coefficient 0.90) and the most similarity method (with accuracy). The overall accuracy was 92.2% and the kappa coefficient was 0.89). Although the present study showed that the support vector machine method was more accurate, nevertheless, the accuracy of the most similar and artificial neural network methods were accurate and acceptable in determining impermeable surfaces and processing of high spatial resolution images with these methods, Can detect impermeable surfaces.