ارزیابی عملکرد سه روش طبقه بندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و بیشترین شباهت) در تهیه نقشه کاربری اراضی

نقشه های کاربری/ پوشش اراضی ورودی پایه برای بسیاری از مدل های شبیه سازی محیط طبیعی است؛ بنابراین، صحت نقشه های حاصل از طبقه بندی تصاویر ماهواره ای، عدم قطعیت را در مدل سازی کاهش می دهد. .این مطالعه با هدف ارزیابی صحت نقشه های کاربری اراضی تولید شده توسط روش های طبقه بندی مبتنی بر یادگیری ماشین (الگوریتم جنگل تصادفی و ماشین بردار پشتیبان) و مقایسه آن با روش متداول بیشترین شباهت انجام شد. بدین منظور تصویر سنجنده OLI ماهواره لندست 8، مربوط به منطقه مورد مطالعه (حوضه سد ستارخان در آذربایجان شرقی)، پس از انجام تصحیحات اولیه، مورد استفاده قرار گرفت. پنج کاربری شهر، کشاورزی آبی، کشاورزی دیم، مرتع و پهنه آبی مورد توجه قرار گرفت. داده های واقعیت زمینی در قالب دو مجموعه داده های تعلیمی (70 درصد از نمونه ها) و داده های آزمون (30 درصد) برای انجام طبقه بندی نظارت شده استفاده شد. صحت نقشه های حاصل از سه الگوریتم، با استفاده از شاخص های ارزیابی صحت مورد مقایسه قرار گرفت. همچنین به منظور بررسی اختلاف معنادار آماری میان نتایج طبقه بندی از آزمون مک- نمار استفاده شد. نتایج نشان داد، صحت کل برای روش ماشین بردار پشتیبان، جنگل تصادفی و بیشترین شباهت به ترتیب برابر با 6/96، 8/90 و 8/90 درصد و ضریب کاپا به ترتیب 934/0، 813/0 و 834/0 بوده است. نتایج آزمون مک- نمار نیز معناداری اختلاف عملکرد در سطح پنج درصد آماری روش ماشین بردار پشتیبان با دو روش دیگر را تایید کرد.