قابلیت الگوریتم‌های نظارت شده در تهیه نقشه پوشش اراضی در مقیاس محلی (مطالعه موردی: استان گیلان

زمینه و اهداف: امکان بررسی پوشش زمین در مقیاس گسترده با استفاده از داده های سنجش از دور وجود دارد.  طبقه بندی پوشش زمین در استان گیلان با استفاده از سنجنده oli و 4 کرنل ماشین بردار پشتیبان (svm)، شبکه عصبی مصنوعی (ann) و حداکثر احتمال (ml) انجام شد.روش بررسی: طبقه بندی ها بر اساس نمونه های تعلیمی 10 پوشش مختلف در کل استان صورت گرفت. برای بالابردن دقت نقشه ها، تصویر oli با استفاده از محصولات modis با اعمال کد انتقال تابشی وکتوری در طیف خورشید (sv6) مورد تصحیح اتمسفری قرار گرفته است. تصویر بر مبنای معیار همگنی به 219000 پلی گون، سگمنت بندی گردید. به روش کاملاَ تصادفی 2% از پلی گون های همگن برای آموزش و آزمون استفاده گردید. با بازدید میدانی، پلی گون ها به کلاس ها برچسب داده شدند.یافته ها: به کارگیری تصاویر تصحیح شده با کد sv6 در طبقه بندی سبب ارتقاء صحت کلی الگوریتم های ann،  svmو ml به ترتیب به میزان 11/0%، 8/0% و 9/1% گردیده است. ارزیابی نتایج بیان گر برتری کرنل شعاعی svm به ترتیب با صحت کلی و ضریب کاپای آماری 6/75% و 72/0 است. در این الگوریتم صحت کلاس های کشاورزی، مراتع مشجر و آبی به ترتیب 16/93%، 55/72% و 57/96% است. نتایج بیان گر ارتقاء صحت کلی الگوریتم svm در مقایسه با الگوریتم ml به میزان 67/1% است.بحث و نتیجه گیری: این تحقیق نشان دهنده برتری روش ناپارامتریکsvm  در مقایسه با پارامتریک در تهیه نقشه پوشش اراضی استان گیلان است. اعمال تصحیحات دقیق اثرات اتمسفر بر روی تصاویر در مناطق با مقیاس محلی و بزرگ با توجه به تغییرات شرایط اتمسفر و خصوصیات زمین قابل پیشنهاد است.

Capability of Land Cover Mapping in Local-Scale Using Supervised Algorithms (Case study: Guilan Province)

Background and Objective: There was a possibility to study earth coverage on a large scale using remote sensing data. The support vector machines (SVM), artificial neural network ‏)ANN( and maximum likelihood )ML‏( algorithms were used to Land cover classification on OLI sensors data and 4 kernels in Guilan province.Methods: Classifications were based on training samples of 10 different covers in the entire Guilan province. To improve the classification accuracy on OLI image data, the MODIS atmospheric products used in 6SV atmospheric correction model. The OLI atmospheric corrected image segmented to 219000 polygons based on homogeneity. In this study 2% of polygons were used to test and training samples by the random statistical method. Polygons labeled to classes by field survey.Findings: Applying ANN, SVM and ML algorithms on the OLI images after atmospheric corrected by 6SV model, the overall accuracy of classification improved 0.11%, 0.8%, and 1.9% respectively. The results indicated that the land cover map by RBFSVM had overall accuracy and kappa coefficient with 75.6% and 0.72 respectively. In this algorithm accuracy of agriculture, range‏ shrub land and water body classes were ‏93.16%, 72.55% and‏ 96.57% respectively. The results of this study indicated that SVM algorithm improved overall accuracy 1.67% compared to the ML algorithm.Discussion and Conclusion: This research indicated that in land cover classification and mapping of Guilan province, the nonparametric SVM algorithm had more accurate than the ML parametric algorithm. According to the results of this research, it is suggested that atmospheric correction models should be used especially on the large and local images.