ارزیابی و مقایسه روش‌های ماشین بردار پشتیبان با کرنل‏های خطی، چند جمله‏ای و پایه شعاعی با شبکه عصبی مصنوعی جهت طبقه‌بندی کاربری اراضی

طبقه‌بندی تصویر همیشه یکی از موضوعات مهم در سنجش از دور است که اطلاعات بدست آمده در زمینه طبقه‌بندی تصویر به‌طور گسترده‌ای در برنامه‌های کاربردی دیگر مانند برنامه‌ریزی شهری، مدیریت منابع طبیعی، کشاورزی و غیره استفاده می‌شود. از آنجا که هدف اصلی از پردازش تصاویر ماهواره‏ای، تهیه نقشه‏های موضوعی و کارآمد می‏باشد، انتخاب الگوریتم مناسب طبقه‏بندی نقش زیادی در این امر ایفاء می‏کند. این مطالعه کارایی الگوریتم‏های ماشین بردار پشتیبان (SVMs) را در طبقه‏بندی تصاویر ماهواره‏ای مورد بررسی و آن را با الگوریتم شبکه عصبی مصنوعی مورد مقایسه قرار می‏دهد. ماشین‏های بردار پشتیبان یک گروه از الگوریتم‏های طبقه‏بندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورد استفاده قرار گرفته‌اند. در این مطالعه، الگوریتم‌های SVM برای طبقه‏بندی کاربری اراضی منطقه میمه با استفاده از داده‏های ETM+ لندست مورد استفاده قرار گرفته است. طبقه‏بندی با استفاده از روش ماشین‏های بردار پشتیبان، بصورت خودکار و با استفاده از سه نوع کرنل خطی، چند جمله‏ای و شعاعی اجراء شده است. در ضمن، کارکرد این روش با روش طبقه‏بندی شبکه عصبی مصنوعی مقایسه شده است. نتایج نشان می‏دهد که میانگین دقت کل و ضریب کاپا الگوریتم‏های SVM شامل کرنل خطی، چند جمله‏ای و شعاعی نسبت به روش طبقه‏بندی شبکه عصبی مصنوعی از نظر دقت کل (حدود 9%) و ضریب کاپا (حدود 12%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتم‏های SVM را در طبقه‏بندی تصاویر سنجش از دور اثبات می‏نماید.