محمد علی محمودی - دانشگاه کردستان
سهیلا مومینی - دانشگاه کردستان
مسعود داوری - دانشگاه کردستان

آگاهی از وضعیت پوشش زمین و نوع کاربری­های آن برای بسیاری از مطالعات زیست­ محیطی، تغییرات اقلیمی و مدیریت منابع خاک و آب ضروری است. امروزه به­طور فزاینده­ای از اطلاعات سنجش از دور، که از ماهواره­ها بدست می­آیند، برای تهیه نقشه پوشش/کاربری اراضی استفاده می­شود. هدف از این مطالعه بررسی کارایی ماشین­های بردار پشتیبان برای طبقه­بندی تصاویر ماهواره لندست ۸ به منظور تهیه نقشه­های پوشش/کاربری اراضی حوضه آبخیز سد گاوشان در غرب ایران با مساحتی در حدود ۲۰۶ هزار هکتار و نیز مقایسه آن با شبکه­های عصبی مصنوعی بود. بدین­منظور از ۱۳۲۰ نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. برای ترکیب ماشین­های بردار پشتیبان دودویی برای طبقه­بندی چند کلاسه از استراتژی­های یک در مقابل یک، یک در مقابل همه و ترتیبی استفاده شد. همچنین در هر استراتژی کرنل­های مختلف خطی، چند جمله­ای و شعاعی بکار گرفته شد. بر این اساس در بین مدل­های مختلف ایجاد شده بهترین عملکرد بر اساس روش یک در مقابل یک و تابع کرنل چند جمله­ای درجه سه به­دست آمد. آزمون مک­نمار نشان داد که کارایی مدل به­دست امده با صحت کلی ۵/۸۹ درصد و شاخص کاپای ۹/۸۴ به­طور معنی­داری از شبکه­های عصبی مصنوعی بالاتر است (۰۰۱/۰>P). نتایج این مطالعه نشان می­دهد که ماشین­های بردار پشتیبان در مقایسه با شبکه­های عصبی مصنوعی از کارایی بالاتری برای طبقه­بندی تصاویر ماهواره­ای برخوردارند؛ با اینحال صحت آنها به­طور قابل ملاحظه­ای متاثر از الگوی ترکیب ماشین­ها و نوع تابع کرنل می­باشد.

طبقه بندی تصویر, ماشین بردار پشتیبان, ماهواره لندست