ارزيابي الگوريتم هاي طبقه بندي نظارت شده غيرپارامتريك در تهيه نقشه پوشش زمين با استفاده ازتصاوير لندست 8

Evaluating non-parametric supervised classification algorithms in land cover map using LandSat-8 Images

هدف از اين تحقيق ارزيابي كارايي سه الگوريتم ماشين بردار پشتيبان، درخت تصميم گيري و شبكه عصبي مصنوعي فازي آرتمپ جهت تهيه نقشه پوشش زمين حوزه آبخيز اركواز با استفاده از تصوير سنجنده OLI ماهواره لندست 8 (سال 1393) است. پس از تصحيح هندسي تصاوير و پيش-پردازش هاي صورت گرفته، اقدام به تعيين نمونه هاي تعليمي مربوط به طبقات پوشش زمين براي انجام عمليات طبقه بندي شد و ارزيابي تفكيك پذيري نمونه ها در هر كدام از طبقات پوشش زمين با استفاده از شاخص آماري واگرايي تعيين شد. به منظور ارزيابي صحت نتايج طبقه-بندي هر كدام از الگوريتم ها، نقشه واقعيت زميني با استفاده از روش سيستماتيك به ابعاد 550 متري طراحي و نوع پوشش زميني آن ها در محل نمونه ها مشخص گرديد. در نهايت، كارايي روش هاي طبقه بندي با استفاده از معيارهاي صحت كلي، ضريب كاپا، صحت توليد كننده و صحت كاربر مورد بررسي قرار گرفت. مقايسه صحت هاي كلي و ضريب كاپاي كسب شده براي سه طبقه بندي كننده با مجموعه باندي مناسب در مقايسه با نقشه واقعيت زميني نشان داد كه طبقه بندي كننده ماشين بردار پشتيبان با مقدار صحت كلي 26/91% و ضريب كاپاي 8731/0 نتايج مطلوب تري نسبت به ساير الگوريتم ها دارد. نتايج همچنين نشان داد كه تفكيك و طبقه بندي اراضي جنگلي از ساير طبقات كاربري منطقه با صحت بالا صورت گرفته است.

The aim of this study was to evaluate the efficiency of three support vector machine algorithms, fuzzy decision trees and neural networks for mapping land vegetation map of Arakvaz watershed using OLI sensor of Landsat images (2014). Geometric correction and image pre-processing were utilized to determine the training samples of land vegetation classes for the classification operations. Sample resolution in the vegetation classes has been evaluated using a statistical divergence index. On the next stage, to evaluate the accuracy of algorithmsʹ classification results, ground truth map with the dimensions of 550 m was designed using systematic approach and land vegetation types in the sampling plots were determined. Finally, the efficiency of each classification methodwas investigated bysuch criteria as overall accuracy, kappa coefficient, producer accuracy and user accuracy.Comparing the accuracy and kappa coefficient obtained for three categories with a proper band set in comparison with the ground truth map indicates that the Support Vector Machine (SVM) classifier with overall accuracy of 91.26% and kappa coefficient of 0.8731 has had more appropriate results than other algorithms. The results showed that the separation and classification of forest landswith high accuracy have beenperformedas compared to the other land use classes.