مقایسه الگوریتم های یادگیری ماشین در طبقه بندی پوشش مناطق شهری

آگاهی دقیق از تغییرات کاربری و پوشش زمین (LULC) نقش مهمی در مدیریت پایدار منابع طبیعی، برنامه ریزی شهری و پایش محیط زیست دارد. این پژوهش به ارزیابی و مقایسه عملکرد الگوریتم های یادگیری ماشین و روش های آماری در طبقه بندی کاربری زمین در منطقه نایسر (حومه شهر سنندج) می پردازد. در این مطالعه، داده های ماهواره ای Sentinel-۲ و مجموعه ای از ویژگی ها شامل باندهای طیفی، شاخص های طیفی (NDVI , MNDWI , SAVI , NDBI ) و اطلاعات توپوگرافی به عنوان ورودی استفاده شدند و سه رویکرد طبقه بندی شامل جنگل تصادفی (RF )، روش حداکثر احتمال (MLC ) و خوشه بندی بدون ناظر K-means به کار گرفته شد. نمونه های آموزشی و ارزیابی از طریق تفسیر بصری تصاویر با وضوح بالا و بازدید میدانی جمع آوری و برای آموزش و اعتبارسنجی مدل ها استفاده شدند. نتایج نشان داد الگوریتم جنگل تصادفی با دقت کلی ۹۸٪ و ضریب کاپا ۰٫۹۵ بهترین عملکرد را ارائه می دهد، در حالی که روش حداکثر احتمال دقت کلی ۹۵٪ و الگوریتم K-means دقت ۹۱٪ داشت. این یافته ها نشان می دهند که ترکیب ویژگی های طیفی و توپوگرافی با الگوریتم جنگل تصادفی رویکردی کارآمد و قابل اعتماد برای طبقه بندی دقیق کاربری زمین و پایش تغییرات محیطی در مناطق شهری و پیرامونی است.

کلیدواژه ها:

تغییرات کاربری و پوشش زمین ، سنتینل-۲ ، جنگل تصادفی ، یادگیری ماشین ، طبقه بندی تصاویر ماهواره ای