استفاده از روش های پیشرفته یادگیری ماشین در پایش فرسایش بادی در جنوب ایران

یکی از مهم ترین فاکتورهای موثر در فرسایش بادی، تغییر کاربری/ پوشش اراضی است. پایش دقیق کاربری/پوشش اراضی و شواهد فرسایش بادی، در مناطق خشک و نیمه خشک اهمیت زیادی دارد. تفکیک پوشش های اراضی حاصل از فرسایش بادی نظیر پهنه های ماسه ای و نبکاها، نیازمند استفاده از روش های دقیق سنجش از دور است. در این تحقیق برای تهیه ی نقشه ی کاربری/پوشش اراضی در زمینه ی فرسایش بادی، توانایی تکنیک های پیشرفته ی یادگیری ماشینی بر تصاویر لندست ارزیابی شد. بدین منظور، تصاویر لندست 7 (2006) و لندست 8 ) 2013 (از نظر هندسی و رادیومتریکی تصحیح شد. روش های بارزسازی تصاویر، اعمال شد و با الگوریتم های ماشین بردار پشتیبان با چهار نوع تابع کرنل خطی، چند جمله ای، تابع شعاعی مبنا و حلقوی و روش شبکه عصبی مصنوعی خودسازمان دهنده ی کوهنن، طبقه بندی و با روش حداکثر شباهت مقایسه شد. با استفاده از آزمون های جدایی پذیری، بهترین ترکیب باند ورودی طبقه بندی انتخاب شد. ارزیابی دقت نشان داد که بهترین نقشه با ترکیبی از باندهای خام و پردازش شده و با الگوریتم ماشین بردار RBF (دقت کلی %88 و %87/90 برای تصاویر لندست 7 و 8) حاصل می شود. اختلاف دقت این روش با روش های ماشین بردار خطی، چند جمله ای، SOM، حلقوی و ML به ترتیب 5/1، 9/2، 3/8، 4/12 و 4/16 درصد برای لندست 7 و به ترتیب 16/2، 16/4، 19/6، 89/13 و 67/14 درصد برای لندست 8 است. نتایج نشان داد که دقت طبقه بندی با استفاده از ترکیب باندهای پردازش شده و باندهای خام، در مقایسه با باندهای خام به تنهایی به میزان زیادی افزایش می یابد.