مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری های اراضی از تصاویر ماهواره ای لندست TM

طبقه بندی و تهیه نقشه کاربری های اراضی یکی از پرکاربردترین موارد در استفاده از داده های سنجش از دور است. تعدادی از روش های پیشرفته تر طبقه بندی در دهه های گذشته توسعه پیداکرده اند که از آنها می توان به شبکه های عصبی مصنوعی و ماشین بردار پشتیبان اشاره کرد. در این مطالعه از تصاویر لندستTM باقدرت تفکیک 30 متر جهت استخراج کاربری های اراضی با استفاده از دو روش طبقه بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان اقدام شد. نتایج، دقت بالای طبقه بندی های شبکه عصبی و ماشین بردار پشتیبان با کرنل شعاعی، هر کدام به ترتیب با دقت کلی 67/ 90 و 67/ 91 درصد را نشان داد. ماشین بردار پشتیبان کلاس هایی را که دارای خصوصیات طیفی مشترک بودند بهتر تفکیک کرد. همچنین در قسمت های مرزی دو نوع کاربری، ماشین بردار پشتیبان قابلیت جداسازی بهتری نسبت به شبکه عصبی داشت و مرز بین دو کلاس ملموس تر بود. با توجه به نتایج گرفته شده، هر دو روش شبکه عصبی و ماشین بردار پشتیبان برای طبقه بندی کاربری های اراضی خوب بوده، اما روش ماشین بردار پشتیبان با اختلاف 1 درصد در دقت کلی و 2درصد در ضریب کاپا بهتر بود. دقت بالای ماشین بردار پشتیبان می تواند ناشی از مرز تصمیم گیری بهینه آن باشد درحالی که شبکه عصبی نمی تواند این مرز را ایجاد کند.