تحلیل کارآیی الگوریتم های ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال در شناسایی کاربری اراضی منطقه کلان شهری مشهد

سابقه و هدف: ازآنجاکه ارزش و امکان استفاده از هر نقشه تولیدشده براساس تصاویر ماهواره ای با توجه به میزان صحت آن مشخص می شود، ارزیابی صحت روش طبقه بندی تصاویر ماهواره ای دارای اهمیت چشمگیری است. ازاین رو این پژوهش با هدف تحلیل کارآیی الگوریتم های ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و حداکثر احتمال (MLC)، در شناسایی کاربری و پوشش اراضی (LULC) منطقه کلان شهری مشهد انجام شده است. تا به امروز الگوریتم های بسیار زیادی، به منظور طبقه بندی تصاویر ماهواره ای، توسعه یافته اند که عملکرد آن ها، در شرایط گوناگون، متفاوت است. به همین دلیل در این پژوهش، ابتدا با مروری بر پژوهش های پیشین، پرکاربردترین الگوریتم ها شناسایی شده و سپس، با سنجش ویژگی های انواع طبقه بندی کننده ها، سه الگوریتم ماشین بردار پشتیبان و جنگل تصادفی و حداکثر احتمال انتخاب شده است. با توجه به اینکه مطالعات متعدد نشان داده است دقت نقشه برداری LULC تحت تاثیر زمان و مکان قرار دارد و هریک از پژوهش های انجام شده نیز بر دقت الگوریتم های متفاوتی تاکید کرده اند، نتایج آن ها درمورد شرایط جغرافیایی ایران تعمیم پذیر نیست. ازطرفی، در شرایط ژئومورفولوژیک ایران، پژوهش های کافی به منظور سنجش دقت الگوریتم های طبقه بندی انجام نشده و اغلب مطالعات صحت سنجی الگوریتم ها در نمونه های موردی خارج از ایران انجام شده است. ازاین رو با توجه به تفاوت نتایج الگوریتم ها در شرایط گوناگون، بررسی دقت و عملکرد الگوریتم ها با تمرکز بر منطقه وسیع و متنوع کلان شهری مشهد می تواند نتایج بدیع و جالب توجهی به همراه داشته باشد.مواد و روش ها: روش تحقیق حاضر، ازمنظر هدف، کاربردی و ازمنظر ماهیت، توصیفی – تحلیلی است. گردآوری اطلاعات در این پژوهش به روش اسنادی – کتابخانه ای انجام شده است. در این مطالعه، تصویر سنجنده OLI در ماهواره لندست – ۸ تهیه شده است. طبقه بندی تصاویر ماهواره ای در دو مرحله پیش پردازش و پردازش تصاویر انجام شده و پس از ارزیابی صحت طبقه بندی تصاویر با استفاده از ضریب کاپا، ماتریس اختلاط، ضریب تغییرات و ضرایب User's accuracy و Producer's accuracy، بهترین الگوریتم در طبقه بندی کاربری های منطقه کلان شهری مشهد مشخص شد؛ این کاربری ها شامل پنج دسته و بدین قرار است: ۱) مناطق ساخته شده؛ ۲) اراضی بایر؛ ۳) مناطق کوهستانی؛ ۴) فضاهای سبز؛ ۵) پهنه های آبی.نتایج و بحث: نتایج حاصل ارزیابی انحراف معیار (SD) و ضریب تغییرات (CV) درصد سهم مساحت در یک کلاس LULC با استفاده از الگوریتم های گوناگون نشان می دهد که اراضی بایر با دقت بیشتر و پهنه های آبی و فضاهای سبز با دقت کمتری طبقه بندی شده اند. نتایج بررسی ضرایب U_Accuracy و P_Accuracy نشان می دهد که به طور کلی، صحت طبقه بندی دسته ها در تمامی الگوریتم های مورد مطالعه، در بازه خوب تا عالی قرار می گیرد. اما بررسی دقیق تر این الگوریتم ها نشان می دهد که بیشترین چالش شناسایی طبقه ها درمورد مناطق ساخته شده، مناطق کوهستانی و فضاهای سبز وجود دارد و شناسایی اراضی بایر با چالش کمتری مواجه است. ضریب کاپا و تحلیل های مبتنی بر ماتریس اختلاط نیز تنوع در دقت هر طبقه بندی کننده LULC را نشان می دهد. تفاوت در دقت طبقه بندی کننده های مورد استفاده جزئی است اما این تغییرات جزئی اهمیت بسیار چشمگیری درزمینه برنامه ریزی LULC دارد. با توجه به اینکه این اختلافات جزئی در کاربری های حساسی، مانند مناطق ساخته شده و فضاهای سبز دیده می شود، انتخاب الگوریتمی دارای بیشترین دقت و کمترین خطا اهمیت ویژه ای دارد.نتیجه گیری: نتایج بررسی ضریب کاپا و تحلیل های مبتنی بر ماتریس اختلاط نشان می دهد که رویکرد SVM دقت کلی بیشتر و ضریب کاپای بالاتری از روش های RF و MLC دارد؛ به گونه ای که الگوریتم های SVM، RF و MLC به ترتیب، دقت کلی معادل ۹۳/۰، ۸۸/۰ و ۸۰/۰% را به دست آورده اند. بنابراین ماشین بردار پشتیبان بیشترین دقت و کمترین خطا را در بین طبقه بندی کننده های مورد مطالعه دارد. براین اساس که مطالعات متعدد گویای ارتباط میان دقت نقشه برداری LULC با زمان و مکان است، درمورد تحقیقات آینده، تحلیل دقت طبقه بندی کننده ها برای شرایط مورفوکلیماتیک و ژئومورفیک متفاوت پیشنهاد می شود.

کلیدواژه ها:

واژه های کلیدی: سنجش از دور ، طبقه بندی کاربری اراضی ، ماشین بردار پشتیبان ، جنگل تصادفی ، بیشترین احتمال ، مشهد