مقايسه روش هاي شبكه عصبي مصنوعي، ماشين بردار پشتيبان و شي گرا در استخراج كاربري و پوشش اراضي از تصاوير لندست 8

Comparing artificial neural network, support vector machine and object-based methods in preparation land use/cover mapsusing landSat-8 images

تهيه نقشه كاربري/پوشش اراضي، براي برنامه ريزي و مديريت مكاني ضروري است. امروزه تصاوير ماهوره اي و تكنيك هاي سنجش از دور،به دليل فرآهم آوردن داده هاي بهنگام و قابليت بالاي آناليز تصاوير، كاربرد گسترده اي در تمامي بخش ها از جمله بخش هاي كشاورزي و منابع طبيعي دارند. در پژوهش حاضر طبقه بندي كننده هاي شبكه عصبي مصنوعي، ماشين بردار پشتيبان و شي گرا جهت تهيه نقشهكاربري/پوشش اراضي شهرستان هاي اردبيل، نير و نمين مورد ارزيابي قرار گرفت. تصوير سنجنده (OLI) Operational Land Imager لندست 8 (سال 2013) پس از تصحيحات هندسي و توپوگرافيكي تحت اين الگوريتم ها قرار گرفته و به 9 طبقه كاربري و پوشش اراضي شامل پهنه هاي آبي، زراعت آبي، زراعت ديم، چمنزار، برونزدگي سنگي، جنگل، مرتع، عرصه هاي مسكوني و انسان ساخت و فرودگاه طبقه بندي شد. پس از ارزيابي صحت، صحت كلي براي نقشه حاصل از شبكه عصبي مصنوعي، ماشين بردار پشتيبان و شي گرا به ترتيب برابر با 91/89، 68/85 و37/94 درصد و مقدار كاپاي آن ها به ترتيب 88/0، 82/0 و 93/0 برآورد شد كه نشان دهنده برتري روش شي گرا در مقايسه با دو روش ديگر است. هر سه روش توانستند صحتي قابل قبول براي نقشه ها ي كاربري/پوشش اراضي ارايه دهند. در كل، سه روش طبقه-بندي پيشرفته، در منطقه ناهمگن با تغييرات ارتفاعي بيش از 3600 متر با استفاده از نسل جديد تصاوير سنجنده لندست 8 آزمون و مناسب-ترين روش تهيه نقشه كاربري/پوشش اراضي معرفي شد.

Preparing the maps of land use/cover for spatial planning and management is essential. Nowadays, satellite images and remote sensing techniques have widespread applications according to their capabilities to produce the updated data and analyze the images in all disciplines such as agriculture and natural resources. In the present study, Artificial Neural Network, Support Vector Machines and Object-Based techniques wereutilized for drawing the land use and vegetation maps in Ardabil, Namin, and Nir counties. The images of LandSat-8 Operational Land Imager (OLI) (2013) were usedafter geometric correction and topographic normalization and classified into 9 land use/cover classes including water bodies, irrigated farming, rainfed farming, meadows, outcrops, forests, rangelands, residential and airport areas. After the accuracy assessment, overall accuracy for the produced maps of ANN, Support Vector Machine (SVM) and Object-based (OB) techniques was estimated as 89.91, 85.68 and 94.37%, respectively and Kappaʹs coefficients were 0.88, 0.82 and 0.93, respectivelyindicating that the object-based method in comparison with two other methods has more advantages;on the other hand, all three methods could provide the desirable accuracy for the land use/covermaps. Overally, three advanced classification methods were examined in the heterogeneous area with elevation changes up to 3600m using the images of new lunched Landsat 8 and the most appropriate land use/cover mapping method was introduced.