صالح آرخی - استادیار، گروه منابع طبیعی، دانشکده کشاورزی، دانشگاه ایلام
مصطفی ادیب نژاد - کارشناس جنگل داری، دانشکده کشاورزی گنبد، دانشگاه علوم کشاورزی و منابع طبیعیگرگان

طبقهبندی کاربری اراضی با استفاده از تصاویر سنجش از دور یکی از مهمترین کاربردهای سنجش از دور است و بسیاری از الگوریتمها برای این منظور توسعه یافتهاند. این مطالعه کارایی الگوریتمهای ماشین بردار پشتیبان[۱](SVMs) را در طبقهبندی تصاویر ماهوارهای مورد بررسی 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. دقت طبقهبندی حاصل از SVMs باتوجه به نوع تابع کرنل متغیر است. در این مطالعه، الگوریتم­های SVM برای طبقهبندی کاربری اراضی حوزه سد ایلام 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 چهار نوع کرنل خطی[۲]، چندجملهای[۳]، شعاعی[۴] و حلقوی[۵] اجرا شده است. در ضمن، کارکرد این روش با روش طبقهبندی حداکثر احتمال مقایسه شده است. نتایج نشان میدهد که الگوریتمهای SVM  خصوصا سه کرنل خطی، چندجملهای و شعاعی نسبت به روش طبقهبندی حداکثر احتمال از نظر دقت کل (حدود ۱۰%) و ضریب کاپا (حدود ۱۵%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتمهای SVM را در طبقهبندی تصاویر سنجش از دور اثبات مینماید.

طبقهبندی نظارت شده, کاربری اراضی, روش حداکثر احتمال, ماشینهای بردار پشتیبان, حوزه سد ایلام