مقایسۀ روش‌های بیشترین شباهت، ماشین بردار پشتیبان و شبکۀ عصبی مصنوعی در آشکارسازی سطوح نفوذناپذیر شهری با استفاده از تصویر با قدرت تفکیک مکانی بالا

سطوح نفوذناپذیر عامل مهمی در نظارت بر توسعه شهری و کیفیت محیط زیست است. به همین دلیل، شناخت این سطوح پیش شرطی برای رسیدن به توسعه پایدار شهری خواهد بود. هر چند روش‌های گوناگونی برای تشخیص و مطالعه این سطوح وجود دارد ولی تعیین دقیق و مقرون به صرفه این سطوح، هنوز یک چالش مهم برای پژوهشگران شهری است. با توجه به افزایش دسترسی به داده‌های سنجش از دور، در این پژوهش با استفاده از تصویر سنجنده geoeye سال 2009، دقت روش‌های سه‌گانه طبقه‌بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان را در تعیین سطوح نفوذناپذیر در بخشی از شهر بندرعباس بررسی و مقایسه شده است. به این منظور، بعد از انجام عملیات پیش پردازش‌های لازم بر روی تصویر، با استفاده از آلگوریتم‌های مورد اشاره، پنج کلاس خیابان و ساختمان (به عنوان سطوح نفوذناپذیر)، بدنه آبی، پوشش‌گیاهی و زمین بایر (به عنوان سطوح نفوذپذیر شهری) برای هر سه روش، استخراج شدند. برای ارزیابی نتایج، روش‌های دقت کلی، ضریب کاپا، دقت کاربر و تولیدکننده  مورد استفاده قرار گرفت. نتایج نشان داد که روش ماشین بردار پشتیبان با دقت کلی94.7 درصد و ضریب کاپا 0.93، نسبت به روش شبکه عصبی مصنوعی (با دقت صحت کلی 93.1 درصد و ضریب کاپا 0.90) و روش بیشترین شباهت (با دقت صحت کلی 92.2 درصد و ضریب کاپا 0.89)، دارای دقت بهتری است. مطالعه حاضر هرچند نشان داد که روش ماشین بردار پشتیبان دارای صحت بالاتری بود اما با این وجود، دقت‌ روش‌های بیشترین شباهت و شبکه عصبی مصنوعی نیز در تعیین سطوح نفوذناپذیر، مناسب و قابل قبول بوده و پردازش تصاویر با قدرت تفکیک مکانی بالا با این روش‌ها،  می‌تواند سطوح نفوذناپذیر را تشخیص دهد.

Comparison of Support Vector Machine, Artificial Neural Networks, and Maximum Likelihood Methods in Urban Impervious Surfaces Detection Using High Spatial Resolution Image

Impenetrable surfaces are an important factor in monitoring urban development and environmental quality. For this reason, recognizing these levels will be a precondition for achieving sustainable urban development. Although there are various methods for detecting and studying these levels, accurate and costeffective determination of these levels is still an important challenge for urban researchers. Due to the increasing availability of remote sensing data, in this study using the GeoEye 2009 image, the accuracy of the three most common classification methods, artificial neural network and support vector machine for determining impermeable surfaces in a part of Bandar Abbas city was compared. For this purpose, after performing the necessary preprocessing operations on the image, using the aforementioned algorithms, five classes of street and building (as impermeable surfaces), water body, vegetation and wasteland (as impermeable urban surfaces) for each Three methods were extracted. To evaluate the results, methods of overall accuracy, kappa coefficient, user and producer accuracy were used. The results showed that the support vector machine with 94.7% overall accuracy and kappa coefficient 0.93, compared to artificial neural network method (93.1% overall accuracy and kappa coefficient 0.90) and the most similarity method (with accuracy). The overall accuracy was 92.2% and the kappa coefficient was 0.89). Although the present study showed that the support vector machine method was more accurate, nevertheless, the accuracy of the most similar and artificial neural network methods were accurate and acceptable in determining impermeable surfaces and processing of high spatial resolution images with these methods, Can detect impermeable surfaces.