مقایسه روش های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست ۸

تهیه نقشه کاربری/پوشش اراضی، برای برنامه­ریزی و مدیریت مکانی ضروری است. امروزه تصاویر ماهوره­ای و تکنیک­های سنجش از دور،به دلیل فرآهم آوردن داده­های بهنگام و قابلیت بالای آنالیز تصاویر، کاربرد گسترده­ای در تمامی بخش­ها از جمله بخش­های کشاورزی و منابع طبیعی دارند. در پژوهش حاضر طبقه­بندی­کننده­های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا جهت تهیه نقشهکاربری/پوشش اراضی شهرستان­های اردبیل، نیر و نمین مورد ارزیابی قرار گرفت. تصویر سنجنده (oli) operational land imager لندست 8 (سال 2013) پس از تصحیحات هندسی و توپوگرافیکی تحت این الگوریتم­ها قرار گرفته و به 9 طبقه کاربری و پوشش اراضی شامل پهنه­های آبی، زراعت آبی، زراعت دیم، چمنزار، برونزدگی سنگی، جنگل، مرتع، عرصه­های مسکونی و انسان­ساخت و فرودگاه طبقه­بندی شد. پس از ارزیابی صحت، صحت کلی برای نقشه حاصل از شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا به ترتیب برابر با 91/89، 68/85 و37/94 درصد و مقدار کاپای آن­ها به ترتیب 88/0، 82/0 و 93/0 برآورد شد که نشان­دهنده برتری روش شیءگرا در مقایسه با دو روش دیگر است. هر سه روش توانستند صحتی قابل قبول برای نقشه­ها­ی کاربری/پوشش اراضی ارائه دهند. در کل، سه روش طبقه­بندی پیشرفته، در منطقه ناهمگن با تغییرات ارتفاعی بیش از 3600 متر با استفاده از نسل جدید تصاویر سنجنده لندست 8 آزمون و مناسب­ترین روش تهیه نقشه کاربری/پوشش اراضی معرفی شد.