مقایسه دقت انواع روش‌های طبقه‌بندی در تهیه نقشه کاربری اراضی (مطالعه موردی: شهر یزد)

با توسعه روش‌های گوناگون در زمینه طبقه‌بندی تصاویر ماهواره‌ای و آشکارسازی تغییرات به ویژه در دهه اخیر، انتخاب بهترین و صحیح‌ترین روش برای تهیه نقشه کاربری و پوشش اراضی در مناطق مختلف رشد روز‌افزونی داشته است. هدف اصلی این پژوهش مقایسه الگوریتم طبقه‌بندی برای طبقه‌بندی پوشش سطح زمین در منطقه خشک دشت یزداردکان است. به این منظور، چهار طبقه کاربری اراضی در دشت یزد_اردکان (شامل اراضی بایر، مناطق مسکونی، ، مرتع ، کشاورزی، جاده) بااستفاده از تصاویر ماهواره‌ای تعیین شد. سپس نمونه‌های آموزشی از سطح منطقه با استفاده از عکس‌های هوایی 1:20000، تصاویر ماهواره‌ای، تصاویر گوگل ارث و بازدید میدانی جمع آوری شد. در مرحله بعد، با استفاده از ویژگی‌های تصاویر، کلاس‌های کاربری اراضی در محدوده مورد مطالعه تعیین و پس از مشخص نمودن میزان تفکیک‌پذیری کلاس‌ها، طبقه‌بندی به‌صورت فاصله ماهالانویی، حداکثر احتمال، ماشین بردار پشتیبان، حداقل فاصله از میانگین، کدگذاری باینری، جعبه ای، شبکه عصبی، نقشه بردار زاویه طیفی  انجام شد. نتایج ارزیابی دقت این 8 روش نشان داد که روش استفاده ازالگوریتم‌های حداکثر احتمال، فاصله ماهالانویی، ماشین بردار پشتیبان، نسبت به دیگر روش های طبقه بندی، از دقت بیشتری برخوردار است.

Comparison of of Different Classification Methods in Terms of Accuracy for Land Use Mapping: ACase Study of the City of Yazd

In recent decades, with the development of various methods in the field of satellite image classification and change detection, there has been an increasing advancement in choosing the best and accurate method for preparation of maps of lands use and land cover. The aim of this study is to compare some algorithms which are used in land cover classification in arid lands of Ardakan plain, Yazd. For this purpose, the satellite images of the plain were categorized into four classes of bare lands, residential areas, rangelands, agricultural and road. Then, training samples were collected by using 1: 20000 aerial photos, satellite images, and Google Earth as well as through field visits Next, considering the characteristics of the images, the land use classes in the study area were defined. After the amount of differentiation of the classes was determined, land cover classification was done through Mahalanobis distance, maximum likelihood, support vector machine, minimum distance, binary encoding, parallelepiped, neural network, and spectral angel mapper. The results of the accuracy assessment of these eight methods showed that maximum likelihood, Mahalanobis distance, and support vector machine have the best performance in land use mapping in arid lands.