مقايسه كارآيي الگوريتم‌هاي‌ ماشين‌ بردار پشتيبان و حداكثر احتمال در آشكارسازي تغييرات كاربري اراضي (مطالعه موردي: حوضه آبخيز سيمينه‌رود)

Efficiency Comparison of Support Vector Machine and Maximum Likelihood Algorithms for Monitoring Land Use Changes

با توجه به اينكه الگوريتم‌هاي متنوعي براي طبقه‌بندي تصاوير ماهواره‌اي در سنجش از دور توسعه يافته‌اند، انتخاب الگوريتم مناسب طبقه‌بندي در دستيابي به نتايج صحيح نقش بسياري ايفا مي‌كند. به همين منظور در پژوهش حاضر، با مقايسه كارآيي صحت طبقه‌بندي دو الگوريتم حداكثر احتمال و ماشين‌هاي بردار پشتيبان، الگوريتم دقيق‌تر تعيين، و از آن براي بررسي روند تغييرات كاربري اراضي استفاده شد. تحقيق حاضر در حوزه آبخيز سيمينه‌رود و با استفاده از تصاوير سنجنده‌هاي TM، ETM+ و OLI انجام گرفت. نتايج تحقيق نشان داد كه الگوريتم ماشين بردار پشتيبان، درمقايسه با الگوريتم حداكثر احتمال، تصاوير ماهواره‌اي را بهتر طبقه‌بندي كرده است و از ميان كرنل‌هاي ماشين بردار، كرنل تابع پايه شعاعي (RBF) كارآيي بهتري داشته است. بنابراين، از الگوريتم ماشين بردار پشتيبان با كرنل تابع پايه شعاعي براي تهيه نقشه كاربري اراضي دوره‌هاي مورد بررسي و تغييرات كاربري استفاده شد. بررسي روند تغييرات كاربري اراضي، با استفاده از اين كرنل، مشخص كرد كه در طي دوره‌هاي بررسي‌شده، مساحت كاربري‌هاي زراعت آبي از 30.535 هكتار به 67.210 هكتار، زراعت ديم از 79.909 هكتار به 123.383 هكتار و مناطق مسكوني از 474 هكتار به 1934 هكتار افزايش يافته است درحالي‌كه مراتع از 259.811 هكتار به 178.398هكتار، و منابع آب از 240 هكتار به 41 هكتار روند كاهشي دارند.

Because the various algorithms have been developed for the land use classification by using remote sensing, the suitable algorithm selection plays an important role in achieving good results. For this purpose, by efficiency comparison of two algorithms classification i.e. support vector machines (SVM) and maximum likelihood (ML), the more precision method was determined and it was used for investigating land use changes trend. The present research was carried out using TM, ETM+ and OLI sensors images in Siminehroud watershed. The research results showed that SVM algorithm classified satellite images better than ML algorithm and radial basis function (RBF) kernel has the highest overall accuracy among the studied methods. Therefore, SVM algorithm with RBF kernel was used to derive land use maps and monitor land use changes in the studied periods. By analysis of land use changes trend using this kernel, it was found that during studied periods, irrigated farming from 30535ha to 67210ha, dry farming from 79909ha to 123387ha, residential from 474ha to 1934ha land uses have been increased but rangeland from 259811ha to 178397ha and water resources from 30535ha to 67210ha land uses are decreasing. Keywords: Satellite images, Support vector machines algorithm, Maximum likelihood, Land sue.