مقایسه روش های بیشترین شباهت، ماشین بردار پشتیبان و شبکه عصبی مصنوعی در آشکارسازی سطوح نفوذناپذیر شهری با استفاده از تصویر با قدرت تفکیک مکانی بالا

سطوح نفوذناپذیر عامل مهمی در نظارت بر توسعه شهری و کیفیت محیط زیست است. به همین دلیل، شناخت این سطوح پیش شرطی برای رسیدن به توسعه پایدار شهری خواهد بود. هر چند روش‌های گوناگونی برای تشخیص و مطالعه این سطوح وجود دارد ولی تعیین دقیق و مقرون به صرفه این سطوح، هنوز یک چالش مهم برای پژوهشگران شهری است. با توجه به افزایش دسترسی به داده‌های سنجش از دور، در این پژوهش با استفاده از تصویر سنجنده GeoEye سال 2009، دقت روش‌های سه‌گانه طبقه‌بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان را در تعیین سطوح نفوذناپذیر در بخشی از شهر بندرعباس بررسی و مقایسه شده است. به این منظور، بعد از انجام عملیات پیش پردازش‌های لازم بر روی تصویر، با استفاده از آلگوریتم‌های مورد اشاره، پنج کلاس خیابان و ساختمان (به عنوان سطوح نفوذناپذیر)، بدنه آبی، پوشش‌گیاهی و زمین بایر (به عنوان سطوح نفوذپذیر شهری) برای هر سه روش، استخراج شدند. برای ارزیابی نتایج، روش‌های دقت کلی، ضریب کاپا، دقت کاربر و تولیدکننده مورد استفاده قرار گرفت. نتایج نشان داد که روش ماشین بردار پشتیبان با دقت کلی7/94 درصد و ضریب کاپا 93/0، نسبت به روش شبکه عصبی مصنوعی (با دقت صحت کلی 1/93 درصد و ضریب کاپا 90/0) و روش بیشترین شباهت (با دقت صحت کلی 2/92 درصد و ضریب کاپا 89/0)، دارای دقت بهتری است. مطالعه حاضر هرچند نشان داد که روش ماشین بردار پشتیبان دارای صحت بالاتری بود اما با این وجود، دقت‌ روش‌های بیشترین شباهت و شبکه عصبی مصنوعی نیز در تعیین سطوح نفوذناپذیر، مناسب و قابل قبول بوده و پردازش تصاویر با قدرت تفکیک مکانی بالا با این روش‌ها، می‌تواند سطوح نفوذناپذیر را تشخیص دهد.