مقایسه روش ماشین بردار پشتیبان با روش های حداکثر احتمال و شبکه عصبی برای تفکیک واحدهای سنگ شناسی

تهیه نقشه های زمین شناسی توسط تصاویر چندطیفی، با توجه به نزدیکی رفتار طیفی بسیاری از سنگها می تواند امری دشوار باشد. لذا در این پژوهش روش ماشین بردار پشتیبان (SVM)، بعنوان یکی از روش های طبقه بندی تصویر که قابلیت انعطاف مناسبی برای حالات مختلف دارد مورد استفاده قرار گرفت و کرنل های مختلف آن با دو روش طبقه بندی حدکثر احتمال (MLC) و شبکه های عصبی (NNC)، به منظور تولید نقشه زمین شناسی و با مقادیر مختلف نمونه های تعلیمی و با توجه به برداشت های زمینی و مطالعات آزمایشگاهی، مورد تحلیل و ارزیابی قرار گرفت. نتایج به دست آمده نشان داد روش SVM در هر سه کرنل خود توانسته است بیشترین دقت (%42/83) را نسبت به دو روش دیگر ارائه کند. همچنین روش SVM با %50 از داده های تعلیمی نیز می تواند به دقتی معادل استفاده از %100 درصد نمونه های تعلیمی برسد در حالیکه دو روش دیگر چنین قابلیتی را از خود نشان ندادند. از طرفی ارزیابی نتایج حاصل از شاخص تفکیک پذیری جفریس- ماتوستیا با نتایج دقت طبقه بندی به روش SVM، گویای این حقیقت است که این روش در داده های با تفکیک پذیری پایین تر بسیار کارآمدتر از دو روش دیگر مورد بحث بوده و بنابراین به نظر می رسد این روش برای تهیه نقشه زمین شناسی مناسب تر از دو روش فوق خواهد بود.