مقایسه روش SVM با کرنلهای چندجمله ای و پایه شعاعی با شبکه عصبی برای تفکیک پوشش گیاهی وخاک درتصویر ماهواره ای ETM+

پوشش زمین یک متغیراساسی برای ایجاد ارتباط بین محیط فیزیکی و انسانی میباشد بطور منطقی تنها منبع ممکن اطلاعات درمورد پوشش زمینی برای نواح بزرگ که اجازه میدهد داده های مورد نیاز بطور مرتب تکرار شوند سنجش از دور است بهبود طبقه بندی تصاویر ماهواره ای یکی از مسائل مهم و حائز اهمیت درسنجش از دور می باشد ماشین بردار پشتیبان اخیر توجه جامعه سنجش ازدوری را به خود جلب کردها ست هدف ما دراین جا این است که توانایی این الگوریتم را دراستخراج پوشش زمینی از سنجنده های سنجش از دوری به اثبات برسانیم و به عملکرد آن را درمقایسه با شبکه عصبی ارزیابی کنیم همچنین پارامترهای مختلفی که دردقت طبقه بندی تاثیر می گذارد مانند تعدادمتغیرها درتصویرچندطیفی و برای روش svm کرنلهای آموزشی ارزیابی میشوند و نتایج با استفاده از ماتریس ابهام به صورت نمودار نشان داده می شود.