ارزیابی مدل‌های شبکه‌ عصبی و درخت تصمیم ‌برای تشخیص مناطق ابری در تصاویر ماهواره نوآ بر روی گستره ایران

برای مطالعه سطح زمین با تصاویر ماهواره‌ای، طبقه‌بندی و تشخیص درست پیکسل‌های ابری امری ضروری به‌شمار می‌آید. از میان روش‌های طبقه‌بندی موجود می‌توان به مدل‌های شبکه عصبی و درخت تصمیم در داده‌کاوی اشاره کرد که الگوریتم‌های متعددی از این دو دسته مدل، شکل گرفته و توسعه یافته‌اند. به‌منظور ارزیابی دقت این مدل‌ها در طبقه‌بندی و انتخاب بهترین آنها، یازده الگوریتم از این دو دسته مدل ارزیابی شدند. بدین منظور با انتخاب 40000 پیکسل با ویژگی‌های مناطق ابری، صاف، برفی و آب در چهار کلاس از تصاویر کالیبره شده ماهواره نوآ بر روی گستره ایران در فصول مختلف سال و با استخراج اطلاعات پنج باند نوآ محاسبه نسبت‌های باندی ndvi، نسبت بازتابندگی باند یک به بازتابندگی باند دو و اختلاف دمای درخشندگی باند پنج با دمای درخشندگی باند چهار و معرفی آنها به‌عنوان متغیرهای ورودی، دقت هر یک از الگوریتم‌ها در طبقه‌بندی این کلاس‌ها مقایسه شد. زمان اجرای سریع الگوریتم‌های درخت تصمیم در مقایسه با اجرای کندتر الگوریتم‌های شبکه عصبی و شفاف بودن تصمیمات گرفته شده در مدل‌های درخت تصمیم از مزایای این دسته مدل‌های طبقه‌بندی است. در نهایت بعد از تشکیل ماتریس تطابق که تعداد درستی و خطا در طبقه‌بندی پیکسل‌ها را نشان می‌دهد، مشخص شد که در بین یازده الگوریتم مورد مقایسه، الگوریتم درخت تصمیم c5، با 43 مورد خطا در تشخیص پیکسل‌های ابری، با دقتی معادل 56/99 درصد دارای بهترین دقت در طبقه‌بندی است. نیز با توجه به مزایای ذکر شده برای این دسته مدل‌های طبقه‌بندی، c5 مناسب‌ترین الگوریتم برای طبقه‌بندی پیکسل‌های ماهواره‌ای و تشخیص پیکسل‌های ابری شناخته شد.