مقایسه و ارزیابی الگوریتم های مختلف یادگیری ماشین در طبقه بندی نقشه کاربری / پوشش اراضی با استفاده از تصاویر ماهواره ای ( مطالعه موردی: جنوب دریاچه ارومیه)

طبقه بندی کاربری/ پوشش اراضی برای برنامه ریزی در مقیاس های مکانی مختلف در راستای پایداری محیط زیست اهمیت بسیاری دارد. نظارت بر تغییرات کاربری/ پوشش اراضی بر خدمات و محصولات اکوسیستم، مسائل اجتماعی – اقتصادی، تغییر اقلیم، منابع طبیعی و تنوع زیستی تاثیر می گذارد. این پژوهش با هدف ارزیابی و مقایسه سه الگوریتم رایج یادگیری ماشین (درخت طبقه بندی و رگرسیون، جنگل تصادفی و ماشین بردار پشتیبان) برای طبقه بندی کاربری/ پوشش اراضی در جنوب دریاچه ارومیه انجام شد. در این رابطه از تصاویر سال ۲۰۲۳ ماهواره Sentinel-۲A در بستر گوگل ارث انجین استفاده شد. داده های نمونه در قالب دو مجموعه داده های تعلیمی (۷۰ درصد) و داده های آزمون (۳۰ درصد) برای انجام طبقه بندی استفاده شد. صحت نقشه های حاصل با استفاده از صحت کلی و ضریب کاپا ارزیابی شد. بر اساس نقشه کاربری/ پوشش اراضی، هفت کاربری پهنه های آبی، اراضی شور و سنگی، اراضی زراعی آبی، اراضی زراعی دیم، مناطق انسان ساخت، باغات و مراتع شناسایی شد. صحت کلی برای الگوریتم های درخت طبقه بندی و رگرسیون (CART)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) به ترتیب ۸۶، ۸۹ و ۸۴ درصد و کاپا به ترتیب برابر ۸۳/۰، ۸۷/۰ و ۸۰/۰ حاصل شد. نتایج نشان داد که الگوریتم جنگل تصادفی از سایر الگوریتم ها بهتر عمل می کند. بنابراین این پژوهش کارآیی و قابلیت بالاتر الگوریتم طبقه بندی جنگل تصادفی را در مقایسه با سایر الگوریتم ها در تهیه نقشه کاربری/ پوشش اراضی اثبات می کند. همچنین بر لزوم انجام مطالعات مشابه با الگوریتم های پیشرفته تر همراه با داده های جانبی به ویژه در حوضه آبریز دریاچه ارومیه در راستای نیل به توسعه پایدار تاکید می کند.