مقایسه کارآیی طبقه بندی کننده های یادگیری ماشین در استخراج محدوده توسعه فیزیکی شهر همدان با استفاده از پردازش شیئ گرای تصاویر ماهواره ای

توسعه فیزیکی مناطق شهری یکی از محرک های اصلی تغییرات جهانی است که تاثیرات مستقیم و غیرمستقیم مهمی بر شرایط محیطی و تنوع زیستی دارد. استفاده از تکنیک ­های سنجش از دور، یکی از رویکردهای جدید در برنامه ریزی شهری  محسوب می شود. پژوهش حاضر با هدف مقایسه کارآیی طبقه­ بندی کننده ­های یادگیری ماشین مبتنی بر پردازش شیئ­ گرای تصاویر ماهواره ­ای در استخراج محدوده توسعه فیزیکی شهر همدان با استفاده از تصویر ماهواره سنتینل ۲ انجام شده است. در این راستا، فرایند قطعه ­بندی بر اساس مقیاس، ضریب شکل و ضریب فشردگی مناسب با هدف تولید اشیاء تصویری انجام شد. پس از قطعه­ بندی و تبدیل تصویر به اشیاء تصویری، با استفاده از طبقه­ بندی کننده ­های یادگیری ماشین مبتنی بر پردازش شیئ­ گرای تصاویر ماهواره ­ای شامل الگوریتم­ های طبقه­ بندی کننده بیز، k - نزدیکترین همسایه، ماشین بردار پشتیبان، درخت تصمیم ­گیری و درخت­ های تصادفی، فرایند طبقه­ بندی انجام و نقشه ­های محدوده توسعه فیزیکی شهری تولید شد. در نهایت، مقدار دقت هر کدام از نقشه­ های تولید شده محاسبه شد. بر اساس نتایج تحقیق، امکان تولید نقشه محدوده توسعه فیزیکی شهری همدان با استفاده از الگوریتم ­های یادگیری ماشین مبتنی بر پردازش شیئ­ گرای تصاویر ماهواره ­ای با دقت قابل قبول وجود دارد. به طوری که طبقه­ بندی کننده بیز دارای دقت کلی ۹۶ درصد و ضریب کاپای ۰.۹۵، k - نزدیکترین همسایه دارای دقت کلی ۹۷ درصد و ضریب کاپای ۰.۹۶، ماشین بردار پشتیبان دارای دقت کلی ۹۶ درصد و ضریب کاپای ۰.۹۵، درخت تصمیم­ گیری دارای دقت کلی ۹۵ درصد و ضریب کاپای ۰.۹۴ و درخت­ های تصادفی دارای دقت کلی ۹۵ درصد و ضریب کاپای ۰.۹۴ بودند. لذا از بین کلیه الگوریتم ­های مورد استفاده در این تحقیق، k - نزدیکترین همسایه با دقت کلی ۹۷ درصد و ضریب کاپای ۰.۹۶ مقدار دقت بیشتری را ارائه نمود.

کلیدواژه ها:

سنجش از دور ، یادگیری ماشین ، سنتینل ۲ ، شیئ گرا ، همدان