بهبود دقت طبقه بندی پوشش زمین با ترکیب تصاویر لندست ۸ و داده هایتوپوگرافی با استفاده از مدل های یادگیری ماشین

نقشه های پوشش زمین ابزارهای حیاتی برای برنامه ریزان و سیاست گذاران به منظور مدیریت منابع طبیعی، پایش تغییرات محیطزیستی، و طراحی راهبردهای توسعه پایدار در سطوح محلی، ملی، منطقه ای و جهانی هستند. با در دسترس بودن داده هایجهانی لندست ۸، این منبع به یکی از ابزارهای کلیدی در پایش و طبقه بندی دقیق پوشش زمین تبدیل شده است. هدف تحقیقحاضر، ارزیابی و مقایسه دقت الگوریتم های یادگیری ماشین شامل برآورد حداکثر احتمال، ماشین بردار پشتیبان و جنگل تصادفیبرای شناسایی بهترین روش در نقشه برداری پوشش زمین و تحلیل تاثیرات محیط زیستی مرتبط است. در این مطالعه، پس ازاستخراج ویژگی های مستقل، از تحلیل مولفه اصلی برای حذف همبستگی میان ویژگی ها و بهبود عملکرد مدل ها استفاده شد.عملکرد الگوریتم ها با استفاده از شاخص های دقت کلی و ضریب کاپا مورد ارزیابی قرار گرفت. نتایج نشان داد که جنگل تصادفی با دقت کلی ۰.۹۹۴ و ضریب کاپای ۰.۹۹۱ عملکرد برتری نسبت به سایر الگوریتم ها داشت. پس از اعمال تحلیل مولفه اصلی این الگوریتم با دقت کلی ۰.۹۹۸ , و ضریب کاپای ۰.۹۹۷ به عنوان بهترین روش طبقه بندی انتخاب شد. کاربرد این روش ها نه تنها باعث بهبود نظارت بر تغییرات کاربری و پوشش زمین می شود، بلکه امکان شناسایی مناطق حساس محیط زیستی، مدیریت بهترمنابع طبیعی، و کنترل تخریب زیست بوم ها را نیز فراهم می سازد. علاوه بر این، دقت و سرعت بالای این الگوریتم ها می تواند بهکاهش هزینه های پایش کمک کرده و پایه ای علمی برای اجرای سیاست های حفاظت محیط زیست و برنامه های توسعه پایدارارائه دهد. این یافته ها نشان می دهد که ترکیب داده های ماهواره ای و الگوریتم های یادگیری ماشین می تواند نقشی کلیدی دربهبود مدیریت محیط زیست و مقابله با چالش های زیست محیطی ایفا کند.

کلیدواژه ها:

نقشه پوشش زمین ، الگوریتم های یادگیری ماشین ، لندست ۸ ، سنجش از دور