ارزیابی سه الگوریتم مختلف طبقه‌بندی جهت تهیه نقشه پوشش صخره‌های مرجانی از تصاویر ماهواره‌ای لندست 8

در پژوهش حاضر تأثیر الگوریتم­های طبقه­بندی بر دقت حاصل از طبقه­بندی پوشش آبسنگ­های مرجانی با استفاده از تصاویر سنجنده­ی لندست 8 مربوط به سال 2013 میلادی، بررسی گردید. به این منظور به غیر از الگوریتم بیشترین احتمال که الگوریتم متداول در طبقه‌بندی پوشش صخره­های مرجانی می­باشد، کارایی الگوریتم­های شبکه عصبی و ماشین بردار پشتیبان نیز بررسی گردید. در این بررسی، علاوه بر داده‌های جزیره­ای در ساحل شرقی استرالیا، تعمیم­پذیری نتایج به آبسنگ­های مرجانی جزایر قشم و لارک نیز مورد تحقیق واقع شد. برای این کار همزمان با اخذ تصاویر ماهواره­ای، طی انجام عملیات غواصی، به تهیه داده­های میدانی از آبسنگ‌های مرجانی جزایر قشم و لارک اقدام شد. نتایج الگوریتم‌های طبقه‌بندی، بسته به تعداد کلاس­ها متغیر بود. به نحوی که در طبقه‌بندی 2 کلاسه الگوریتم بیشترین احتمال عملکرد بهتری داشت ولی با افزایش تعداد کلاس­ها، الگوریتم­های ماشین بردار پشتیبان و شبکه عصبی برتری خود را بر الگوریتم بیشترین احتمال نشان دادند. به‌طور متوسط، این دو الگوریتم­ به ترتیب بهبود دقت متوسط در حدود 7% و 9% را نسبت به الگوریتم بیشترین احتمال نشان دادند. پیاده­سازی روش تحقیق بر روی‌داده‌های منطقه­ی قشم و لارک، تعمیم­پذیری نتایج الگوریتم ماشین بردار پشتیبان را در این منطقه اثبات نمود. الگوریتم ماشین بردار پشتیبان با دقت کل  68% بهبود دقت 8% را نسبت به روش بیشترین احتمال در این منطقه نشان داد. الگوریتم شبکه عصبی با دقت کل 58%، ضعیف­ترین عملکرد را نسبت به دو الگوریتم دیگر، در این منطقه نشان داد که به دلیل حساسیت بالای این روش به کاهش تعداد داده‌های آموزشی هست. به‌نظر می­رسد علت عمده در برتری روش ماشین بردار پشتیبان نسبت به روش بیشترین احتمال، توانایی این الگوریتم در طبقه‌بندی پیکسل‌های مخلوط و با تعداد کم می­باشد.