ارزیابی توان تفکیکی روش های طبقه بندی پیکسل پایه داده های لندست ۸ در تشخیص نوع پوشش اراضی مناطق کوهستانی، مطالعه موردی: حوزه آبخیز بشار

هدف از پژوهش حاضر، بررسی توان الگوریتم ­های مختلف طبقه ­بندی نظارت شده و نظارت نشده داده­ های سنجش از دور در تشخیص و تفکیک پوشش اراضی حوضه کوهستانی رودخانه بشار با استفاده از داده ­های لندست ۸ بوده است. بدین منظور، پس از بررسی دقت هندسی و انجام تصحیحات رادیومتریک و اتمسفریک داده ­های ماهواره ­ای، مجموعه داده حاصل از ترکیب باندهای انعکاسی (باندهای ۲، ۳، ۴، ۵، ۶، ۷ و ۸) و حرارتی (باند ۱۰) ایجاد شد. سپس، طبقه­بندی پیکسل پایه با استفاده از الگوریتم­ های نظارت شده احتمال حداکثر، ماشین بردار پشتیبان، فاصله ماهانالویی، حداقل فاصله، شبکه عصبی، پارالوئید، نقشه­ بردار زاویه طیفی، واگرایی اطلاعات طیفی، کدگذاری باینری و الگوریتم ­های نظارت نشده K-Means و IsoData انجام شد. دقت الگوریتم­ ها در شناسایی هر کدام از کاربری ­ها بر مبنای تحلیل ماتریس خطا، با استفاده از مقیاس ­های دقت تولید کننده، دقت کاربر و دقت کلی بر اساس قاعده خطای حذف و اضافه و ضریب کاپا ارزیابی شد. نتایج مبتنی بر ماتریس خطا نشان داد که مناسب­ ترین الگوریتم برای تفکیک و شناسایی کاربری/پوشش زراعت، ساخت و ساز، صخره، جنگل، باغ، مرتع، پیکره آبی و رها شده به ترتیب، احتمال حداکثر، فاصله ماهالانویی، احتمال حداکثر، فاصله ماهالانویی، شبکه عصبی، ماشین بردار پشتیبان، ماشین بردار پشتیبان، احتمال حداکثر است. درصد صحت کلی و ضریب کاپای الگوریتم ­ها نیز نشان می ­دهد که چهار الگوریتم احتمال حداکثر، ماشین بردار پشتیبان، فاصله ماهالانویی و شبکه عصبی با دقت کل به ترتیب ۲۵/۷۷، ۹/۷۵، ۵۹/۶۹ و ۰۲/۶۸ درصد و ضریب کاپای به ترتیب ۰.۷۲، ۰.۶۹، ۰.۶۳ و ۰.۵۸ نسبت به سایر الگوریتم ­ها عملکرد بهتری از خود نشان داده­ اند. به طور کلی، می ­توان با انتخاب و استفاده از مناسب­ ترین الگوریتم طبقه ­بندی برای هر نوع کاربری/پوشش در مناطق کوهستانی و سپس، ادغام نقشه ­های منفرد کاربری اراضی با یکدیگر، دقت طبقه ­بندی را بالا برده و نتایج بهتری نیز حاصل شود.

کلیدواژه ها:

الگوریتم نظارت شده ، پوشش زمین ، سنجش از دور ، شبکه عصبی ، کاربری زمین