مقايسه الگوريتم هاي مختلف طبقه‌بندي تصاوير ماهواره اي در تهيه نقشه كاربري اراضي (مطالعه موردي: شهرستان نور)

Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city)

نقشه كاربري اراضي يكي از فاكتور-هاي اساسي در مطالعات منابع طبيعي و مديريت محيط زيست مي-باشد. اغلب تهيه نقشه كاربري اراضي يك منطقه يكي از پر هزينه-ترين بخش هاي پروژه هاي زيست محيطي و منابع طبيعي است. داده-هاي ماهواره اي يكي از سريع ترين و كم هزينه ترين روش هاي در اختيار محققان جهت تهيه نقشه كاربري اراضي مي باشد. در سال هاي اخير محققان از روش هاي مختلفي نقشه كاربري اراضي را با استفاده از اين داده ها تهيه كرده اند. روش هاي مختلفي جهت طبقه بندي تصاوير ماهواره اي وجود دارد. هر يك از روش ها داراي معايب و مزايايي مي-باشند. تحقيق حاضر با هدف تعيين بهترين روش طبقه بندي تصاوير سنجنده ETM+ از بين 9 روش طبقه-بندي نظارت شده جهت استخراج نقشه كاربري اراضي شهر نور صورت گرفت. نتايج نشان داد كه روش طبقه بندي ماشين بردار پشتيبان با ميانگين ضرايب كلي و كاپا به ترتيب 94/90 درصد و 9503/0 نسبت به روش هاي ديگر داراي دقت بالاتري است. اولويت دقت روش هاي 9 گانه به ترتيب به صورت، ماشين بردار پشتيبان، شبكه عصبي، فاصله ماهالانويي، حداكثر احتمال، حداقل فاصله از ميانگين، نقشه زاويه طيفي، واگرايي اطلاعات طيفي، سطوح موازي و در نهايت روش كدهاي باينري مي باشد. از نتايج تحقيق حاضر مي توان با استفاده از روش صحيح طبقه‌بندي، نقشه كاربري اراضي را با دقت بالاتري استخراج نمود.

Land use mapping is one of the key factors in studies of environment and natural resources management. Mapping land use is often one of the most expensive parts of natural resources and environmental projects. Satellite data is one of the fastest and most cost-effective methods for mapping land use that is available for researchers. In recent years, researchers from the different methods of land use maps have been produced using this data. There is the different method to classify the images. Each method has advantages and disadvantages. This research to determine the best images nine supervised classification methods to extract land use map of the Noor city by ETM+ sensor. The results showed that the SVM classification by 0.9503 factor kappa coefficient and 90.94% overall accuracy is better than other methods. The accuracy of the order of priority 9 that is, SVM, Neural network, Mahalanobis distance, Maximum likelihood, Minimum distance from the mean, Spectral angle mapper, Spectral information divergence, parallel piped and binary code. All the research results of this study can be using the correct classification. Land use maps can be extracted with higher accuracy.