توانایی روش درخت تصادفی (Random forest) و k- نزدیک ترین همسایه(Knn) در طبقه بندی پوشش گیاهی سوخته شده به کمک داده های ماهواره ای landsat ۸

طبقه بندی صحیح عوارض محیطی در تصاویر ماهواره ای یکی از دغدغه های اصلی کاربران سنجش از دور می باشد که بسیاری از الگوریتم ها برای این منظور توسعه یافته اند.با توجه به توسعه الگوریتم های متنوع برای طبقه بندی تصاویر ماهواره ای در سنجش از دور، انتخاب الگوریتم مناسب طبقه بندی، در دستیابی به نتایج صحیح نقش بسیاری را ایفا میکند.به همین منظور درپژوهش حاضر، با مقایسه کارایی صحت طبقه بندی دو الگوریتم درخت تصادفی (Random Forest) و K- نزدیکترین همسایه (Knn) برای برسی روند طبقه بندی عوارض مورد استفاده قرار گرفته است. تحقیق حاضر در حوزه طبقه بندی مناطق سوخته شده در کشور پرتغال، با استفاده از داده های ماهواره ای اخذ شده از ماهواره لندست ۸ می باشد. نتایج حاصل نشان داده است که الگوریتم درخت تصادفی ، تصاویر ماهواره ای را با دقت کلی ۹۸.۱۰ و kappa ۹۶.۹۱ درصد طبقه بندی ، در صورتی که در روش k- نزدیکترین همسایه دارای دقت کلی ۹۹.۳۶ و kappa ۹۸.۹۵درصد می باشد. همانطور که مشاهده می شود در اینجا به دلیل اخذ داده های آموزشی به صورت پیکسل مبنا دقت روش K-نزدیکترین همسایه بالاتر می باشد در صورتی که اگه روش برداشت به صورت شی مبنا باشد درخت تصادفی عملکرد بهتری خواهد داشت.

کلیدواژه ها:

سنجش از دور ، طبقه بندی کاربری اراضی ، مناطق سوخته شده ، ارزیابی دقت کلی ، لندست ۸ ، Random Forest ، Knn ، google earth engine