تعیین بهترین الگوریتم طبقه بندی به منظور تخمین سطح زیر کشت نخیلات با استفاده از تصاویر ماهواره لندست 8

محصول خرما یکی از ارزشمندترین محصولات باغبانی در ایران به شمار می آید که 16% کل صادرات جهانی را شامل می شود. استان کرمان دومین رتبه در سطح زیر کشت خرما در ایران را دارا است. به همین منظور تعیین سطح زیر کشت خرما اهمیت پیدا کرده است. برخی از سازمان ها برای تعیین سطح زیر کشت از سرشماری استفاده می کنند که معایب آن هزینه بالا و اتلاف وقت و نیاز به نیروی انسانی زیاد برای پوشش دهی کل کشور است. هدف از این تحقیق سنجش توانایی ماهواره لندست 8 با سنجده OLI  در شناسایی و تعیین سطح زیر کشت نخلستان ها است. برای پی بردن به بهترین روش برای شناسایی نخلستان ها چهار روش طبقه بندی نظارت شده Maximum Likelihood Classifier (MLC), Support Vector Machines (SVM), Neural Network (NN), Mahalanobis Distance Classifier (MDC) و یک روش طبقه بندی نظارت نشده (K-Means) مورد ارزیابی قرار گرفت. نتایج طبقه بندی ها نشان داد که دقت کلی طبقه بندی10/99 % (ضریب کاپا 98/0) با استفاده از NN، 77/98 % (ضریب کاپا 975/0) با استفاده از MLC، 66/98 % (ضریب کاپا 973/0) با استفاده از SVM، 52/98 % (ضریب کاپا 97/0) با استفاده از MDC و 52/66 % ( ضریب کاپا 31/0) با استفاده از K-Means است. خطای تخمین مساحت نخیلات با استفاده از ( RMSE) در روش NN (0)، در روش MLC (2/0)، در روش MDC (06/0)، در روش SVM (0) و در روش K-Means (0) محاسبه شد. پس از تحلیل داده ها بهترین روش طبقه بندی برای شناسایی نخلستان ها روش NN شناخته شد. در پژوهش حاضر، با بررسی انجام شده بر روی داده ها در ماتریس آشفتگی مشخص شد که SVM قدرت بالاتری برای شناسایی نخلستان با تشخیص 100% سامانه (تولیدکننده) نسبت به MLC را داشت و همچنین K-Means نیز می تواند نخلستان خرما را شناسایی کند اما مناطقی که به رنگ قهوه ای تیره هستند را نیز به عنوان نخلستان شناسایی کرده است. در مجموع می توان گفت هر چهار روش طبقه بندی نظارت شده با دقت قابل قبولی می توانند نخلستان را شناسایی کنند.