ارزیابی عملکرد روش های مختلف یادگیری ماشین در طبقه بندی پوشش و کاربری اراضی با استفاده از تصاویر سنجش از دور

مقدمه:امروزه موضوع تغییرات کاربری اراضی و آشکار سازی آن ها و نیز اثراتی که بر شهر ها و محیط های پیرامون آن می گذارند،به یکی از مباحث مهم و کاربردی تبدیل شده است و به کارگیری و ایجاد روش ها و مدل های متنوع و به روز،جهت بررسی این موضوع به امری بسیار ضروری و لازم تبدیل گردیده است.در این راستا،داده های سنجش ازدور با ارائه اطلاعات به روز و موثق از وضعیت پوشش زمین،ابزار مناسبی برای تهیه نقشه های پوشش و کاربری اراضی هستند. روش : در این پژوهش حوضه آبریز دشت نیشابور مورد بررسی قرار گرفته است. جهت پردازش ، تحلیل و فراخوانی داده های ماهواره ای از نرم افزار های envi 5.6 ، arcmap 10.7 و نیز برای نهایی سازی نقشه های موضوعی از نرم افزار qgis 3.16 استفاده شده است. لازم به ذکرهست در این مطالعه از سامانه گوگل ارث انجین نیز که به عنوان قوی ترین سامانه پردازش سری زمانی تصاویر ماهواره ای در علم سنجش از دور شناخته می شود هم به کار گرفته شده است. یافته ها و نتیجه گیری : طبق نتایج ماتریس خطای به دست آمده مشخص شد که روش شبکه عصبی با صحت کلی 83.35 و ضریب کاپای 0.79 برای سال 1392، حداکثر احتمال با صحت کلی 81.92 و ضریب کاپای 0.78 برای سال 1398 و شبکه عصبی با صحت کلی 79.36 و ضریب کاپای0.75 برای سال 1400 نسبت به سایر روش ها عملکرد مطلوب تر و دقت بیشتری برای تهیه نقشه های کاربری اراضی دارند.

evaluating the performance of different machine learning methods in classifying land cover and use by using remote sensing images

introduction: the issue of land use changes and their detection، as well as the effects they have on cities and their surrounding environments، has become an important and practical topic، and the use and creation of various up-to-date methods and models to study this issue have become an important matter. in this regard، remote sensing data، by providing up-to-date and reliable information on the status of land cover، are a suitable tool for preparing land cover and use maps.methods: in this study، the catchment area of the neyshabur plain which is a part of the catchment area of the central desert of iran is considered. envi 5.6 and arcmap 10.7 software were used to process، analyze، and retrieve satellite data، and qgis 3.16 software was used to finalize thematic maps. it should be noted that in this study، the google earth engine، which is known as the most powerful system for processing satellite image time series in remote sensing، was also used.findings: according to the results of the error matrix obtained، it was found that the neural network method with an overall accuracy of 83.35 and a kappa coefficient of 0.79 for the year 2013، the maximum likelihood method with an overall accuracy of 81.92 and a kappa coefficient of 0.78 for the year 2019، and a neural network with an overall accuracy of 36.79 and a kappa coefficient of 0.75 for the year 2021، have more favorable performance and accuracy for preparing land use maps than other methods.