محمد علی محمودی؛ سهیلا مومینی؛ مسعود داوری
چکیده
آگاهی از وضعیت پوشش زمین و نوع کاربریهای آن برای بسیاری از مطالعات زیست محیطی، تغییرات اقلیمی و مدیریت منابع خاک و آب ضروری است. امروزه بهطور فزایندهای از اطلاعات سنجش از دور، که از ماهوارهها بدست میآیند، برای تهیۀ نقشۀ پوشش/کاربری اراضی استفاده میشود. هدف از این مطالعه بررسی کارایی ماشینهای بردار پشتیبان برای طبقهبندی ...
بیشتر
آگاهی از وضعیت پوشش زمین و نوع کاربریهای آن برای بسیاری از مطالعات زیست محیطی، تغییرات اقلیمی و مدیریت منابع خاک و آب ضروری است. امروزه بهطور فزایندهای از اطلاعات سنجش از دور، که از ماهوارهها بدست میآیند، برای تهیۀ نقشۀ پوشش/کاربری اراضی استفاده میشود. هدف از این مطالعه بررسی کارایی ماشینهای بردار پشتیبان برای طبقهبندی تصاویر ماهوارۀ لندست 8 به منظور تهیۀ نقشههای پوشش/کاربری اراضی حوضه آبخیز سد گاوشان در غرب ایران با مساحتی در حدود 206 هزار هکتار و نیز مقایسۀ آن با شبکههای عصبی مصنوعی بود. بدینمنظور از 1320 نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. برای ترکیب ماشینهای بردار پشتیبان دودویی برای طبقهبندی چند کلاسه از استراتژیهای یک در مقابل یک، یک در مقابل همه و ترتیبی استفاده شد. همچنین در هر استراتژی کرنلهای مختلف خطی، چند جملهای و شعاعی بکار گرفته شد. بر این اساس در بین مدلهای مختلف ایجاد شده بهترین عملکرد بر اساس روش یک در مقابل یک و تابع کرنل چند جملهای درجۀ سه بهدست آمد. آزمون مکنمار نشان داد که کارایی مدل بهدست امده با صحت کلی 5/89 درصد و شاخص کاپای 9/84 بهطور معنیداری از شبکههای عصبی مصنوعی بالاتر است (001/0>P). نتایج این مطالعه نشان میدهد که ماشینهای بردار پشتیبان در مقایسه با شبکههای عصبی مصنوعی از کارایی بالاتری برای طبقهبندی تصاویر ماهوارهای برخوردارند؛ با اینحال صحت آنها بهطور قابل ملاحظهای متأثر از الگوی ترکیب ماشینها و نوع تابع کرنل میباشد.
