ارزيابي و مقايسه روش هاي ماشين بردار پشتيبان با كرنل هاي خطي، چند جمله اي و پايه شعاعي با شبكه عصبي مصنوعي جهت طبقه بندي كاربري اراضي

Evaluation of SVM with Kernel method (linear, polynomial, and radial basis) and neural network for land use classification

طبقه بندي تصوير هميشه يكي از موضوعات مهم در سنجش از دور است كه اطلاعات بدست آمده در زمينه طبقه بندي تصوير به طور گسترده اي در برنامه هاي كاربردي ديگر مانند برنامه ريزي شهري، مديريت منابع طبيعي، كشاورزي و غيره استفاده مي شود. از آنجا كه هدف اصلي از پردازش تصاوير ماهوارهاي، تهيه نقشههاي موضوعي و كارآمد ميباشد، انتخاب الگوريتم مناسب طبقه بندي نقش زيادي در اين امر ايفاء ميكند. اين مطالعه كارايي الگوريتمهاي ماشين بردار پشتيبان (SVMs) را در طبقه بندي تصاوير ماهوارهاي مورد بررسي و آن را با الگوريتم شبكه عصبي مصنوعي مورد مقايسه قرار ميدهد. ماشينهاي بردار پشتيبان يك گروه از الگوريتمهاي طبقهبندي نظارت شده يادگيري ماشيني هستند كه در زمينه سنجش از دور مورد استفاده قرار گرفته اند. در اين مطالعه، الگوريتم هاي SVM براي طبقه بندي كاربري اراضي منطقه ميمه با استفاده از دادههاي ETM+ لندست مورد استفاده قرار گرفته است. طبقهبندي با استفاده از روش ماشينهاي بردار پشتيبان، بصورت خودكار و با استفاده از سه نوع كرنل خطي، چند جمله اي و شعاعي اجراء شده است. در ضمن، كاركرد اين روش با روش طبقه بندي شبكه عصبي مصنوعي مقايسه شده است. نتايج نشان ميدهد كه ميانگين دقت كل و ضريب كاپا الگوريتمهاي SVM شامل كرنل خطي، چند جمله اي و شعاعي نسبت به روش طبقه بندي شبكه عصبي مصنوعي از نظر دقت كل (حدود 9%) و ضريب كاپا (حدود 12%) برتري دارد. بنابراين اين مطالعه كارايي و قابليت الگوريتمهاي SVM را در طبقه بندي تصاوير سنجش از دور اثبات مي نمايد.

Image classification is always one of the most important issues in remote sensing، and the obtained information from image classification is widely used in this field and other applications like urban planning، natural resource management، agriculture، etc. Since the main purpose of processing satellite images is preparing subjective and practical maps، choosing a suitable classification algorithm has an essential role. This paper studies the efficacy of Support Vector Machines (SVM) algorithm regarding satellite image classifications and compares it to artificial neural network algorithm. SVM is a group of classified and observed mechanical learning algorithms، used in remote sensing. In this study، SVM algorithms were employed for land use classification of Meymeh area using ETM+ landsat data. The classification via SVM was automatically performed by three types of linear Kernel، polynomial، and radial basis. Besides، the performance of this method was compared to that of artificial neural network classification method. Results showed that the average overall accuracy and Kappa coefficient of SVM algorithms، including linear Kernel، polynomial and radial basis، were respectively 9 percent and 12 percent more efficient than artificial neural network classification. Consequently، this study substantiates the efficiency and sufficiency of SVM algorithms in classification of remote sensing images.