طبقه بندی پوشش زمین کاربری زمین توسط طبقه بندی کننده های یادگیری ماشین برای مشاهدات ماهواره ای

این مقاله یک مقاله مروری است، که در آن شش الگوریتم یادگیری ماشینی، یعنی جنگل تصادفی (rf)، ماشین بردار پشتیبان (svm)، شبکه عصبی مصنوعی (ann)، نقشه‌برداری پیش‌بینی‌شده با نظارت تئوری تشدید تطبیقی فازی (artmap فازی)، نگاشت زاویه طیفی (sam) و فاصله ماهالانوبیس (md) مورد بررسی قرار گرفت. در مطالعه ای توسط تالوکادر و همکاران (2020) ارزیابی دقت این روش ها با استفاده از ضریب کاپا، منحنی عملیاتی گیرنده (roc)، اعتبار سنجی مبتنی بر شاخص و ریشه میانگین مربعات خطا (rmse) انجام شد. نتایج ضریب کاپا نشان داد که تمامی طبقه‌بندی‌کننده‌ها دارای سطح دقت یکسان با تغییرات جزئی هستند، اما الگوریتم rf دارای بیشترین دقت 0.89 و الگوریتم md (طبقه‌بند پارامتریک) کمترین دقت 0.82 است. علاوه بر این، lulc مبتنی بر شاخص و اعتبار متقابل بصری نشان داد که الگوریتم rf (همبستگی بین rf و شاخص آب تمایز نرمال شده، شاخص تمایز نرمال شده گیاهی و شاخص تمایز نرمال شده به ترتیب 0.96، 0.99 و 1، در 0.05 است. سطح معنی داری) بالاترین سطح دقت را در مقایسه با سایر طبقه بندی کننده های اتخاذ شده دارد. یافته‌های ادبیات همچنین ثابت کرد که الگوریتم‌های ann و rf بهترین طبقه‌بندی‌کننده‌های lulc هستند، اگرچه طبقه‌بندی‌کننده غیرپارامتری مانند sam (ضریب کاپا 0.84؛ سطح زیر منحنی (auc) 0.85) سطح دقت بهتر و ثابتی نسبت به ماشین‌های دیگر دارد. نتایج بررسی تالوکادر و همکاران نشان داد که الگوریتم rf بهترین طبقه‌بندی کننده lulc یادگیری ماشینی، در میان شش الگوریتم مورد بررسی است.