مقايسه روش هاي شبكه عصبي و ماشين بردار پشتيبان در استخراج نقشه هاي كاربري و پوشش اراضي با استفاده از تصاوير لندست 8 (مطالعه موردي: حوضه صوفي چاي)

Comparison of ANN and SVM methods in extraction Land Use/ Land Cover maps from Landsat 8 satellite image (Case Study: Sufi Chay Basin)

تهيه نقشه كاربري و پوشش اراضي براي برنامه ريزي و مديريت منابع طبيعي امري ضروري مي باشد. در اين بين استفاده از داده هاي سنجش از دور با توجه به ارايه اطلاعات به روز، پوشش تكراري، كم هزينه بودن در ارزيابي منابع طبيعي جايگاه خاصي دارد. لذا در اين پژوهش، تصاوير لندست 8 به عنوان داده ورودي براي تهيه نقشه كاربري اراضي در سطح 2و1 مورد استفاده قرار گرفت. در اين بين، با توجه به جديد بودن اين تصاوير، تصحيحات راديومتريك با استفاده از روابط موجود در محيط مدل از نرم فزار Erdas فرمول نويسي شد. هم چنين از شاخص هاي گياهي NDVI، خاك باير (BI) و سه مولفه اصلي آناليز مولفه هاي اصلي (PCA) به عنوان ورودي در كنار ديگر باندها بـراي افزايش دقت طبقه بـندي مورد استفاده قرار گرفت. از طرفي توابع كرنل ها و رتبه هاي چندجمله اي روش ماشين بردار پشتيبان (SVM) مورد ارزيابي قرار گرفت و بهترين نتيجه اين روش با روش شبكه عصبي مصنوعي (ANN) مورد مقايسه قرار گرفت. نتايج نشان داد كه دقت روش ماشين بردار پشتيبان 92? با ضريب كاپا 91/0 و روش شبكه عصبي 89? با ضريب كاپا 87/0 مي باشد هم چنين جايي كه كلاس ها رفتار طيفي مشابهي را از خود نشان مي-دهند روش SVM كارايي بهتري از خود نشان مي دهد.

Land use and land cover maps are necessary for planning and natural resources management. In the way, remote sensing data have special place because of providing update data, repetitive covers and low cost images. Therefore Optimum Land Image/ Thermal Infrared Sensor were used to map land-use and land-cover in 1 and 2 level. Because of, this images are new thus radiometric correct was used ERDAS software model maker. Also Normalize Difference Vegetation Index (NDVI), Bare Soil Index (BI) and Principal Component Analyze (PCA) were used as inputs to improve classification accuracy. On the other hand kernels functional and polynomial ranks of Support Vector Machine method evaluated in side others bands and the best result of SVM method compared with Artificial Neural Network (ANN). The results indicated that SVM method has accuracy: 92% with Kappa Coefficient: 0.91 and ANN method has accuracy: 89% with kappa coefficient: 0.87 also SVM method has a good performance in the regions that, classes show similar spectral behavior.