ارزیابی سه الگوریتم مختلف طبقه‌بندی جهت تهیه نقشه پوشش صخره‌های مرجانی از تصاویر ماهواره‌ای لندست 8

در پژوهش حاضر تاثیر الگوریتم های طبقه بندی بر دقت حاصل از طبقه بندی پوشش آبسنگ های مرجانی با استفاده از تصاویر سنجنده ی لندست 8 مربوط به سال 2013 میلادی، بررسی گردید. به این منظور به غیر از الگوریتم بیشترین احتمال که الگوریتم متداول در طبقه بندی پوشش صخره های مرجانی می باشد، کارایی الگوریتم های شبکه عصبی و ماشین بردار پشتیبان نیز بررسی گردید. در این بررسی، علاوه بر داده های جزیره ای در ساحل شرقی استرالیا، تعمیم پذیری نتایج به آبسنگ های مرجانی جزایر قشم و لارک نیز مورد تحقیق واقع شد. برای این کار همزمان با اخذ تصاویر ماهواره ای، طی انجام عملیات غواصی، به تهیه داده های میدانی از آبسنگ های مرجانی جزایر قشم و لارک اقدام شد. نتایج الگوریتم های طبقه بندی، بسته به تعداد کلاس ها متغیر بود. به نحوی که در طبقه بندی 2 کلاسه الگوریتم بیشترین احتمال عملکرد بهتری داشت ولی با افزایش تعداد کلاس ها، الگوریتم های ماشین بردار پشتیبان و شبکه عصبی برتری خود را بر الگوریتم بیشترین احتمال نشان دادند. به طور متوسط، این دو الگوریتم به ترتیب بهبود دقت متوسط در حدود 7% و 9% را نسبت به الگوریتم بیشترین احتمال نشان دادند. پیاده سازی روش تحقیق بر روی داده های منطقه ی قشم و لارک، تعمیم پذیری نتایج الگوریتم ماشین بردار پشتیبان را در این منطقه اثبات نمود. الگوریتم ماشین بردار پشتیبان با دقت کل 68% بهبود دقت 8% را نسبت به روش بیشترین احتمال در این منطقه نشان داد. الگوریتم شبکه عصبی با دقت کل 58%، ضعیف ترین عملکرد را نسبت به دو الگوریتم دیگر، در این منطقه نشان داد که به دلیل حساسیت بالای این روش به کاهش تعداد داده های آموزشی هست. به نظر می رسد علت عمده در برتری روش ماشین بردار پشتیبان نسبت به روش بیشترین احتمال، توانایی این الگوریتم در طبقه بندی پیکسل های مخلوط و با تعداد کم می باشد.

Evaluation of Classification Algorithms for Coral Reefs Habitat Mapping Using Medium Resolution Satellite Images

In the present research, the effectiveness of classification algorithms on coral reef habitat mapping was evaluated using Landsat8 images acquired in 2013. For this purpose, Except Maximum Likelihood algorithm that is common method in coral reef habitat mapping, the efficiency of Neural Network and Support Vector Machine were estimated, as well. Along with data collected from diving in Lizard Island, eastern Australia, the research was accomplished by generalizability of the results to coral reef of Queshm and Larak Islands, Persian Gulf. For this, parallel to getting satellite images, through diving operations, field data were gathered from Queshm and Larak Islands. Depends on the number of classes, the results are varied, so that, Maximum Likelihood has the best efficiency in 2class classification. However, increasing the number of classes shows more efficiency for Support Vector Machine and Neural Network. In 4class classification, Support Vector Machine and Neural Network, improve the classification accuracy by 7% and 9% respectively. Implementation of methods in Queshm and Larak Islands shows the generalizability of Support Vector Machine results in this region by 8% improvement in comparison to ML and overall accuracy about 68%, whilst ANN shows the worst results in this region with overall accuracy of 58%, which is because of sensitivity of this algorithm to the number of training data. The capability of SVM to handle mixed pixels and training data deficit issues, cause it to be the best classifier in this case. Finally, because of appropriate performance in both regions and more robustness of results, the SVM by using medium resolution satellite images is selected as the optimized algorithm for mapping of coral reef habitats.