مقایسه کارایی انواع روش‌های درخت تصمیم و حداکثر احتمال جهت استخراج نقشه‌ی کاربری اراضی در مناطق خشک

نقشه کاربری اراضی، از ابزارهای پایه برای مدیران و برنامه‌ریزان در راستای توسعه پایدار مناطق مختلف است. روش‌های مختلفی برای تهیه نقشه کاربری اراضی ارائه شده است. تهیه نقشه کاربری اراضی با استفاده از تصاویر ماهواره‌ای با بهره‌گیری از تکنیک‌های مختلف از جدیدترین و مهم‌ترین این روش‌هاست. هدف از انجام تحقیق حاضر، بررسی کارایی روش‌های تصمیم‌گیری درختی و حداکثر احتمال با استفاده از داده‌های ماهواره لندست 8 مربوط به سال 2016 جهت تهیه نقشه کاربری اراضی دشت یزد – اردکان می‌باشد. پس از انجام تصحیحات لازم بر روی تصاویر ماهواره‌ای، طبقات مختلف کاربری اراضی تعریف و نمونه‌های آموزشی انتخاب شد. نتایج طبقه‌بندی با استفاده از چهار روش تصمیم‌گیری درختی جینی، انتروپی، نسبت بهره و حداکثر احتمال بترتیب ضریب کاپای 85.78، 88.95، 76.88 و 91.15 درصد را نشان دادند که روش حداکثر احتمال نسبت به روش‌های تصمیم‌گیری درختی در از دقت بالاتری برخوردار است. بنابراین این مطالعه کارایی و قابلیت روش حداکثر احتمال را در طبقه‌بندی بهتر تصاویر سنجش از دور اثبات می‌نماید. با مقایسه مساحت نقشه‌های حاصل از روش‌های طبقه‌بندی، مساحت‌های کاربری‌های اراضی ماسه‌ای و اراضی صخره‌ای تقریبا نزدیک به هم هستند. همچنین بیشترین اختلاف مساحت مربوط به تپه‌های ماسه‌ای و کمترین اختلاف نیز مربوط به کاربری اراضی صخره‌ای بود.

Comparison of the Efficiency of Different Types of Decision Tree and Maximum probability for produce Land Use maps in Arid Areas

Land use mapping is the basic tools for administrators and land planners. Different methods have been proposed for landuse mapping. The latest and most important methods is using remotey sensed data for Landuse mapping. The aim of the present study was performance evaluation of classification decision tree and maximum probability methods using Landsat 8 image of 2013 for landuse mapping of Yazad ardacan plant. Different land use classes were difined using training samples comperison of classification. results of four different methods of, Gini decision tree, entropy, Cta and maximum probability respectively thus, Show that Kappa coefficient of 85.78, 88.95, 76.78 and 91.15 the maximum probability than decision tree methods has a higher accuracy. Map area defined by the different methods of classification, are similar in sandy lands and rocky lands. The greatest differences were observed in area of medium sand dunes and minimum differences were related to the rocky lands. Therefore, the present study proves the efficiency and feasibility of thed maximum probability method in the better classification of remote sensing images.