بررسی کارایی الگوریتم‌های نظارت‌شده در تهیۀ نقشۀ پوشش زمین با استفاده از تصاویر سنتینل 2 در رویشگاه جنگلی زاگرس

مقدمه: هدف این پژوهش، بررسی عملکرد الگوریتم‌های مختلف در افزایش صحت نقشۀ پوشش زمین با استفاده از تصاویر سنتینل بوده است.مواد و روش ها: منطقۀ پژوهش یک برگ نقشه (مقیاس 1.25000) در منطقۀ رویشی زاگرس شهرستان مریوان به مساحت 15782.6 هکتار بود. نقشۀ پوشش زمین با استفاده از الگوریتم‌های نظارت‌شدۀ فاصلۀ ماهالانوبیس، حداکثر احتمال، حداقل فاصله از میانگین، شبکۀ عصبی مصنوعی، موازی، ماشین بردار پشتیبان، نقشه‌‌بردار زاویۀ طیفی، اطلاعات طیفی واگرایی و کدگذاری دودویی با استفاده از بهترین ترکیب باندی از دوازده باند (2، 3، 4، 5، 6، 7، 8، a8، 11، 12، ndvi،savi ) و نمونه‌های تعلیمی به‌دست‌آمده از اطلاعات میدانی و تصاویر ماهواره‌ای تهیه شد. از 70 درصد نمونه‌ها برای طبقه‌بندی و از 30 درصد برای ارزیابی صحت نقشه‌های طبقه‌بندی‌شده استفاده شد.یافته ها: نتایج نشان داد که سه طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان، شبکۀ عصبی و حداکثر احتمال دارای بیشترین صحت هستند. طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان با اختلاف بسیار جزئی صحت بیشتری از دو طبقه‌بندی‌کنندۀ دیگر داشت. شایان ذکر است که برای بهبود طبقه‌بندی از کرنل‌های ماشین بردار پشتیبان (خطی، چندجمله‌ای، تابع پایۀ شعاعی و حلقوی) و تنظیمات نقشه‌بردار زاویۀ طیفی (شش حالت) و موازی (دو حالت) استفاده شد. نتایج نشان داد که طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان به روش تابع چندجمله‌ای با درجۀ 6 دارای بیشترین صحت است. سپس نقشه با بیشترین صحت پس‌پردازش شد و صحت کلی 96.63 و ضریب کاپا 0.9393 به‌دست آمد.نتیجه گیری: بررسی بیست حالت طبقه‌بندی‌کننده روی تصاویر سنتینل در این پژوهش، نشان از بررسی کامل الگوریتم‌های طبقه‌بندی‌کننده در مقایسه با پژوهش‌های انجام‌گرفته دارد.

evaluation of the efficiency of supervised algorithms in preparing the ground cover map using sentinel 2 images in the zagros forest habitat

introduction:the aim of this study is to investigate the performance of various algorithms in enhancing the accuracy of land cover maps using sentinel images.material and methods: the study area is a sheet (1:25000) encompassing an area of 15782.6 hectares. the land cover map was created using a range of algorithms - mahalanobis distance, maximum likelihood, minimum distance, neural network, parallelepiped, support vector machine, spectral angle mapper, spectral information divergence, and binary encoding - applied to the optimal band composition derived from 12 bands (2, 3, 4, 5, 6, 7, 8, 8a, 11, 12, ndvi, savi). the training area was obtained from field information and satellite images. 70% of the samples were used for classification and 30% for evaluating the accuracy of the classified maps.findings:the results indicate that the support vector machine, neural network, and maximum likelihood classifications have the highest accuracy. the support vector machine classifier is slightly more accurate than the other two classifiers. to improve the classification, support vector machine kernels (linear, polynomial, radial basis function, and sigmoid), spectral angle mapper settings (6 modes), and parallelepiped (2 modes) were utilized. the results show that the support vector machine classifier, using the 6th degree polynomial function method, has the highest accuracy. following this, the map was post-processed with the highest accuracy, resulting in an overall accuracy of 96.63 and a kappa coefficient of 0.9393.conclusion: an examination of 21 classification modes on sentinel images in this study provides a comprehensive review of classification algorithms compared to previous studies.