ارزیابی توان تفکیکی روش‌های طبقه‌بندی پیکسل پایه داده‌های لندست 8 در تشخیص نوع پوشش اراضی مناطق کوهستانی، مطالعه موردی: حوزه آبخیز بشار

هدف از پژوهش حاضر، بررسی توان الگوریتم‌ های مختلف طبقه‌ بندی نظارت شده و نظارت نشده داده ‌های سنجش از دور در تشخیص و تفکیک پوشش اراضی حوضه کوهستانی رودخانه بشار با استفاده از داده‌ های لندست 8 بوده است. بدین منظور، پس از بررسی دقت هندسی و انجام تصحیحات رادیومتریک و اتمسفریک داده‌ های ماهواره‌ ای، مجموعه داده حاصل از ترکیب باندهای انعکاسی (باندهای 2، 3، 4، 5، 6، 7 و 8) و حرارتی (باند 10) ایجاد شد. سپس، طبقه بندی پیکسل پایه با استفاده از الگوریتم ‌های نظارت شده احتمال حداکثر، ماشین بردار پشتیبان، فاصله ماهانالویی، حداقل فاصله، شبکه عصبی، پارالوئید، نقشه ‌بردار زاویه طیفی، واگرایی اطلاعات طیفی، کدگذاری باینری و الگوریتم‌ های نظارت نشده k-means و isodata انجام شد. دقت الگوریتم ‌ها در شناسایی هر کدام از کاربری‌ ها بر مبنای تحلیل ماتریس خطا، با استفاده از مقیاس‌ های دقت تولید کننده، دقت کاربر و دقت کلی بر اساس قاعده خطای حذف و اضافه و ضریب کاپا ارزیابی شد. نتایج مبتنی بر ماتریس خطا نشان داد که مناسب ‌ترین الگوریتم برای تفکیک و شناسایی کاربری/پوشش زراعت، ساخت و ساز، صخره، جنگل، باغ، مرتع، پیکره آبی و رها شده به‌ترتیب، احتمال حداکثر، فاصله ماهالانویی، احتمال حداکثر، فاصله ماهالانویی، شبکه عصبی، ماشین بردار پشتیبان، ماشین بردار پشتیبان، احتمال حداکثر است. درصد صحت کلی و ضریب کاپای الگوریتم‌ ها نیز نشان می‌ دهد که چهار الگوریتم احتمال حداکثر، ماشین بردار پشتیبان، فاصله ماهالانویی و شبکه عصبی با دقت کل به‌ترتیب 77.25، 75.9، 69.59 و 68.02 درصد و ضریب کاپای به‌ترتیب 0.72، 0.69، 0.63 و 0.58 نسبت به سایر الگوریتم‌ ها عملکرد بهتری از خود نشان داده ‌اند. به‌طور کلی، می‌ توان با انتخاب و استفاده از مناسب ‌ترین الگوریتم طبقه‌ بندی برای هر نوع کاربری/پوشش در مناطق کوهستانی و سپس، ادغام نقشه‌ های منفرد کاربری اراضی با یکدیگر، دقت طبقه‌ بندی را بالا برده و نتایج بهتری نیز حاصل شود.

evaluation of the resolution of pixel-based classification methods of landsat 8 data for determining the type of land cover in mountainous areas, case study: beshar watershed

the aim of this study was to investigate the ability of different supervised and unsupervised classification algorithms of remote sensing data for detecting and separating of land cover on beshar river basin using landsat 8 data. for this purpose, after checking the geometric accuracy and radiometric-atmospheric corrections on satellite data, the data set was created to the combination of spectral bands (bands 2, 3, 4, 5, 6, 7 and 8) and thermal (band 10). next, pixel-based classification using supervised algorithms including maximum likelihood, support vector machine, mahalanobis distance, minimum distance, neural network, parallelepiped, spectral angle mapping, spectral information divergence, binary coding, and unsupervised algorithms including k-means and isodata was done. the accuracy of the algorithms for identifying each land use /land cover based on the error matrix analysis was evaluated using the producer’s accuracy, user accuracy and overall accuracy based on the omission and commission errors, and the kappa coefficient. the results showed that the most appropriate algorithm for separation and identification of land use/land cover including agriculture, construction, cliff, forest, orchard, rangeland, water body and fallow is maximum likelihood, mahalanobis distance, maximum likelihood, mahalanobis distance, neural network, support vector machine, support vector machine, and maximum likelihood, respectively. the percentage of overall accuracy and kappa coefficient shows that the four algorithms including maximum likelihood, support vector machine, mahalanobis distance and neural network with overall accuracy 77.25, 75.9, 69.59, 68.26 and the kappa coefficient 0.72, 0.69, 0.63, 0.58, respectively, is better than other algorithms. generally, the integration of appropriate classification algorithms in mountainous areas increases classification accuracy and will have better results.