مقايسه عملكرد روش هاي يادگيري عميق و جنگل تصادفي در طبقه‌ بندي پوشش اراضي شهري (مطالعه موردي: شهر تبريز)

تهيه نقشه پوشش اراضي شهري يكي از پيش شرط هاي اساسي بسياري از برنامه هاي شهري محسوب مي شود. صرف كمترين زمان و هزينه براي تهيه اين نقشه ها از جمله چالش هاي مديران شهري محسوب مي شود. امروزه تصاوير ماهواره اي و طبقه بندي آن ها كاربرد گسترده اي در تهيه نقشه هاي پوشش اراضي شهري پيدا كرده اند. بر اين اساس هدف از اين تحقيق، تهيه نقشه پوشش اراضي شهري در شهر تبريز با استفاده از تصوير ماهواره اي سنتينل-2 مي باشد. براي طبقه بندي تصوير ماهواره اي، از دو الگوريتم جنگل تصادفي و يادگيري عميق مبتني بر شبكه عصبي (شبكه عصبي عميق) استفاده شد. كلاس هاي كاربري مورد نظر شامل پنج پوشش سطحي: اراضي باير، مناطق ساخته شده، راه، پوشش گياهي و آب بودند. تمام مراحل پردازش تصاوير ماهواره اي به صورت خودكار و در سامانه هاي پردازش ابري Google Earth Engine و Google Colab انجام شد. با توجه به نتايج به دست آمده، الگوريتم شبكه عصبي عميق با صحت كلي 95/2 درصد عملكرد بهتري را نسبت به الگوريتم جنگل تصادفي با صحت كلي 93/1 درصد ارائه كرد. بررسي عملكرد اين دو الگوريتم در استخراج هر يك از كلاس ها نشان داد كه روش شبكه عصبي عميق در استخراج كلاس هاي اراضي باير و مناطق ساخته شده عملكرد بهتري داشته است، به طوري كه مقادير صحت كاربر و توليد كننده آن در كلاس اراضي باير به ترتيب 9/6 و 1 درصد بيش تر از الگوريتم جنگل تصادفي بودند. اين ميزان در كلاس مناطق ساخته شده نيز به ترتيب 0/3 و 4/3 درصد بيش تر از الگوريتم جنگل تصادفي بودند. از طرفي الگوريتم جنگل تصادفي در استخراج كلاس راه عملكرد بهتري داشت و  مقادير صحت كاربر و توليد كننده آن به ترتيب 3/65 و 4/1 درصد بيش از روش شبكه عصبي عميق بودند. بنابراين مي توان گفت هر دو الگوريتم عملكرد مناسبي در تهيه نقشه پوشش شهري ارائه دادند، اما عملكرد كلي الگوريتم شبكه عصبي عميق، مناسب تر بود.