یکی از چالش‏های بسیار مهم در تهیه نقشه پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل‏های مخلوط می‏باشد. با توسعه روش‏های تجزیه اختلاط طیفی و طبقه‏بندی کننده‏های نرم، امکان برآورد سهم کلاس‏ها در سطح زیرپیکسل فراهم آمده و برچسب‏های چندگانه به پیکسل‏ها اختصاص داده می‏شود. با این وجود، تولید نقشه پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل‏ها می‏باشد. در سال‏های اخیر، روش‏های تهیه نقشه در سطح زیرپیکسل (srm) توسعه یافته‏اند که با استفاده از نتایج طبقه‏بندی کننده‏های نرم و بهره‏گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل‏ها را بهینه‏سازی می‏نمایند.‏ در تحقیق حاضر، دو الگوریتم معاوضه پیکسلی و شبیه‏سازی تبرید جهت تهیه نقشه پوشش اراضی در سطح زیرپیکسل مورد بحث و بررسی قرار گرفته است. در این راستا، الگوریتم باینری معاوضه پیکسلی برای حالت چندمتغیری توسعه داده شده و تأثیر پارامترهای مختلف مانند ضریب بزرگنمایی، سطح همسایگی و تابع وزن در عملکرد این الگوریتم بررسی شده است. همچنین یک روش نوین برای جانمایی اولیه غیرتصادفی زیرپیکسل‏ها و در نتیجه کاهش حجم محاسبات در الگوریتم معاوضه پیکسلی ارائه شده است. از طرف دیگر با بررسی الگوریتم شبیه‏سازی تبرید، یک مکانیزم نوین در این روش برای تولید جواب‏های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. همچنین پارامترهای موثر بر عملکرد این الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک‏سازی و تکرارهای ایستا و پویا مورد بحث و بررسی قرار گرفته است. لازم به ذکر است که به منظور تأمین ورودی هر یک از الگوریتم‏ها، از مدل اختلاط طیفی خطی (lsmm) استفاده شده و بدین منظور یک روش نوین برای بهینه‏سازی نتایج شاخص درجه خلوص پیکسلی (ppi) در استخراج عناصر خالص ارائه گردیده است. برای ارزیابی دقت هر یک از الگوریتم‏های srm، دو حالت مستقل از خطای طبقه‏بندی نرم و وابسته به آن لحاظ شده است. بر اساس نتایج تحقیق، دقت کلی الگوریتم‏های srm به طور قابل توجهی به دقت ورودی الگوریتم (نتایج طبقه‏بندی نرم) وابسته می‏باشد. همچنین مشخص گردید که با افزایش ضریب بزرگنمایی، دقت کلی الگوریتم‏ها کاهش می‏یابد. همچنین سطح همسایگی دوم و توابع معکوس و مجذور معکوس فاصله، بیشترین دقت را در الگوریتم معاوضه پیکسلی به همراه دارند. روش پیشنهادی برای جانمایی اولیه غیرتصادفی زیرپیکسل‏ها نیز تا حدود 20 درصد سرعت محاسبات را بهبود داده است. در مورد الگوریتم شبیه‏سازی تبرید، تابع خنک‏سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به عنوان تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز دقت بیشتری را نسبت به حالت ایستا به همراه داشته است. به عنوان دستآورد مهم تحقیق، روش پیشنهادی برای تولید جواب‏های جدید در الگوریتم شبیه‏سازی تبرید دقت کلی را نسبت به روش موجود افزایش داده و همچنین زمان اجرای الگوریتم را تا بیش از 50 درصد کاهش داده است. به طور کلی دقت الگوریتم‏های معاوضه پیکسلی و شبیه‏سازی تبرید تقریبا یکسان بوده و روش پیشنهادی برای شبیه‏سازی تبرید اندکی از دقت بالایی برخوردار می‏باشد. اما سرعت محاسباتی الگوریتم معاوضه پیکسلی به مراتب بیشتر از الگوریتم‏های پایه و پیشنهادی شبیه‏سازی تبرید می‏باشد. به طور کلی با در نظر گرفتن ضریب بزرگنمایی کمتر از 3 در هر دو الگوریتم و در حالت مستقل از خطای طبقه‏بندی نرم دقت کلی در حدود 95 درصد و در حالت وابسته به خطای طبقه‏بندی نرم در حدود 85 درصد برآورد گردید.