مقایسه‌ی الگوریتم‌های طبقه بندی شبکه‌ی عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال در استخراج نقشه کاربری اراضی حوزه آبخیز ابوالعباس

تهیه نقشه های کاربری اراضی یکی از مهمترین وظایف فن آوری سنجش از دور در مدیریت عرصه های مختلف محسوب می گردد. در تحقیق حاضر جهت تهیه نقشه کاربری اراضی حوزه آبخیز ابوالعباس از تصویر ماهواره ای لندست/tm سال 1388 استفاده شده است. سپس تصویر به کمک هر یک از الگوریتم های شبکه عصبی مصنوعی پرسپترون سه لایه، ماشین بردار پشتیبان شعاعی و الگوریتم حداکثر احتمال طبقه بندی شد. در نهایت میزان کارایی الگوریتم های مختلف طبقه بندی در تهیه نقشه کاربری اراضی منطقه ی مورد نظر، با استفاده از پارامترهای دقت کلی و ضریب کاپا مورد ارزیابی قرار گرفت. نتایج نشان داد که روش های ناپارامتریک مانند شبکه عصبی مصنوعی (دقت کلی 8/95 درصد، ضریب کاپای95/0) و ماشین بردار پشتیبان شعاعی (دقت کلی 8/95 درصد، ضریب کاپای94/0) با دقت کلی و ضریب کاپای تقریبا مشابه در بهترین حالت دارای صحت و دقت بالاتری در تهیه نقشه کاربری اراضی نسبت به روش پارامتریک حداکتر احتمال (دقت کلی7/93 درصد، ضریب کاپای91/0) می باشند. در کل مطالعه ی حاضر نشان داد که هر سه الگوریتم طبقه بندی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال قابلیت تهیه نقشه کاربری اراضی را با صحت بالا، دارا می باشند.

Comparison of Three Classification Algorithms (ANN, SVM and Maximum Likelihood) for Preparing Land Use Map (Case Study: Abolabbas Basin)

One of the most important tasks of remote sensing technology is to producing land use maps. In this study, in order to produce land use map of abolabbas basin, landsat satellite image of TM scanner acquired on 01 June 2009 were employed. the image classified by using threelayer perceptron neural network, support vector machine with the radial basis kernel function and Maximum Likelihood algorithm. So, The performance of different classification algorithms in producing land use maps were investigated using overall accuracy and kappa coefficient. Results showed that Nonparametric algorithms such as artificial neural network (with 95.8% overall accuracy and 0.95 kappa coefficient) and support vector machine with the radial basis kernel function (with 95.8% overall accuracy and 0.94 Kappa coefficient) with the same performance were better than the third method which is Parametric maximum likelihood algorithm (with 93.7% overall accuracy and 0.91 Kappa coefficient). Overall, this study showed that three classification algorithms, neural network, support vector machine and maximum likelihood are capable to generate land use maps with high accuracy.