بکارگیری الکوریتم های شبکه عصبی و حداکثر احتمال در طبقه بندی تصاویر ماهواره ای جهت استخراج پوشش زمین منطقه ساحلی اروند رود و بهمن شیر

یکی از روش های پرکاربرد استخراج اطلاعات موجود در تصاویر سنجش از دور، طبقه بندی می باشد که امکان تهیه انواع نقشه های توزیع جغرافیایی پدیده ها از قبیل خاک، آب، گیاه را می دهد، از آنجا که هدف اصلی از پردازش تصاویر ماهواره ای، تهیه نقشه های موضوعی و کارآمد می باشد، انتخاب الگوریتم مناسب طبقه بندی نقش زیادی در این امر ایفاء می کند. در روش های پارامتری از قبیل حداکثر احتمال و حداقل فاصله مشکل اصلی وابستگی آن ها به توزیع آماری داده های ورودی می باشد. محققان در راستای بهبود و توسعه تکنیکهای طبقه بندی تلاش های را انجام دادند که می توان از تکنیک های شبکه های عصبی نام برد که روشی ناپارامتری بوده و به توزیع خاصی وابسته نیست . تعیین کلاس های و نمونه های مورد نظر جهت طبقه بندی کاربری پوشش زمین با استفاده از عملیات میدانی، نقشه های توپوگرافی، عکس های هوایی و نقشه موجود انجام شد و چهار کلاس پوشش گیاهی، ساخت و ساز، آب و فضای باز انتخاب گردید. پس از اعمال دو الگوریتم شبکه عصبی و حداکثر احتمال بر روی تصویر ماهواره ای لندست۸ با سنجنده هایOLI TIRS ، نقشه پوشش زمین نواحی ساحلی اروند تهیه گردید. به کمک ضریب توافق کاپا دقت روش های طبقه بندی مورد ارزیابی قرار گرفت. بر اساس نتایج حاصله روش شبکه عصبی مصنوعی با ضریب کاپا۹۲/۰ نسبت به الگوریتم حداکثر احتمال با ضریب کاپا۷۹/۰. عملکرد بهتری در تهیه نقشه پوشش زمین منطقه ساحلی اروند داشته است.

کلیدواژه ها:

Land cover ، Maximum Likelihood ، Neural Network ، Castal zone