ارزيابي كارايي الگوريتم هاي ماشين بردار پشتيبان جهت طبقه بندي كاربري اراضي با استفاده از داده هاي ماهواره اي ETM+ لندست (مطالعه موردي: حوزه سد ايلام)

طبقه‏بندي كاربري اراضي با استفاده از تصاوير سنجش از دور يكي از مهمترين كاربردهاي سنجش از دور است و بسياري از الگوريتم‏ها براي اين منظور توسعه يافته‏اند. اين مطالعه كارايي الگوريتم‏هاي ماشين بردار پشتيبان (SVMs) را در طبقه‏بندي تصاوير ماهواره‏اي مورد بررسي قرار مي‏دهد. ماشين‏هاي بردار پشتيبان يك گروه از الگوريتم‏هاي طبقه‏بندي نظارت شده يادگيري ماشيني هستند كه در زمينه سنجش از دور مورد استفاده قرار گرفته اند. دقت طبقه‏بندي حاصل از SVMs باتوجه به نوع تابع كرنل متغير است. در اين مطالعه، الگوريتم هاي SVM براي طبقه‏بندي كاربري اراضي حوزه سد ايلام با استفاده از داده‏هاي ETM+ لندست مورد استفاده قرار گرفته است. طبقه‏بندي با استفاده از روش ماشين‏هاي بردار پشتيبان، بصورت خودكار و با استفاده از چهار نوع كرنل خطي ، چندجمله‏اي ، شعاعي و حلقوي اجرا شده است. در ضمن، كاركرد اين روش با روش طبقه‏بندي حداكثر احتمال مقايسه شده است. نتايج نشان مي‏دهد كه الگوريتم‏هاي SVM خصوصاً سه كرنل خطي، چندجمله‏اي و شعاعي نسبت به روش طبقه‏بندي حداكثر احتمال از نظر دقت كل (حدود 10%) و ضريب كاپا (حدود 15%) برتري دارد. بنابراين اين مطالعه كارايي و قابليت الگوريتم‏هاي SVM را در طبقه‏بندي تصاوير سنجش از دور اثبات مي‏نمايد.

Land use classification using remotely sensed images is one of the most common applications in remote sensing, and many algorithms have been developed and applied for this purpose in the literature. This study investigates the efficiency of Support Vector Machines algorithms in image classification. Support Vector Machines (SVMs) are a group of supervised classification algorithms of machine learning that have been used in the remote sensing filed. The classification accuracy produced by SVMs may show variation depending on the choice of the kernel function. In this study, SVMs were used for land use classification of Ilam dam catchment using Land sat ETM+ data. The classification using SVM method was implemented automatically by using four kernel types, linear, polynomial, radial basis, sigmoid and the results were analyzed thoroughly. Results showed that SVMs, especially with use of radial, polynomial and linear function kernels, outperform the maximum likelihood classifier in terms of overall (about 10%) and kappa coefficient(about 15%) accuracies. So, this study verifies the efficiency and capability of SVMs in classification of remote sensed images.