ارائه روشی تلفیقی مبتنی بر الگوریتم های طبقه بندی پارامتریک و غیر پارامتریک به منظور جداسازی پوشش های کاربری مختلف در جنگل های هیرکانی

تهیه نقشه های کاربری اراضی با دقت بالا همواره یکی از اهداف مهم محققین در زمینه مدیریت اراضی بوده است. هدف از این پژوهش ارایه روش نوینی جهت تهیه نقشه های کاریری اراضی با استفاده از پردازش تصاویر ماهواره ای بوده است. به همین منظور از تصاویر ماهواره لندست 8 به عنوان تصویر پایه و نقشه مدل رقومی ارتفاعی، داده های حاصل از تجزیه به مولفه های اصلی و شاخص های طیفی جهت استخراج نقشه کاربری اراضی در منطقه مطالعاتی استفاده گردید. پس از پیش پردازش ها و آماده سازی داده های مورد نیاز، اقدام به تهیه نمونه های آموزشی گردید. در این پژوهش نمونه های آموزشی در دو بخش به کار گرفته شدند؛ در بخش اول از آنها به عنوان ورودی جهت طبقه بندی تصویر با الگوریتم های نظارت شده حداکثر احتمال و ماشین بردار پشتیبان استفاده گردید. در بخش دوم جهت طبقه بندی با روش درخت تصمیم گیری، از این نمونه ها جهت تعیین محدوده بازتاب طیفی هر کاربری در طیف امواج الکترومغناطیس (باندهای تصویر، PCA، شاخص های طیفی و DEM) استفاده گردید. سپس با استفاده از این داده ها و شروط دودویی درخت تصمیم گیری، هر کاربری مشخص گردید و نقشه کاربری آن استخراج گردید. پس از تهیه نقشه های ذکر شده، به منظور تلفیق نتایج طبقه بندی و حصول دقت بالاتر، از روش حداکثر رای گیری به منظور تهیه نقشه تلفیقی جدید کاربری اراضی منطقه استفاده گردید. به منظور ارزیابی دقت نقشه های تولیدی از پارامترهای آماری منتج از ماتریس ابهام شامل دقت کلی، ضریب کاپا، صحت کاربر و صحت تولیدکننده استفاده گردید. بر اساس نتایج حاصله، روش تلفیقی با دقت کلی 37/93 درصد و ضریب کاپا 91/0 دارای بیشترین دقت بوده است. دقت کلی نقشه کاربری روش درخت تصمیم گیری، ماشین بردار پشتیبان و حداکثر احتمال نیز به ترتیب 61/89، 01/88 و 6/87 درصد بوده اند. با توجه به اینکه در طبیعت پوشش/کاربری خالص به ندرت مشاهده می گردد و بیشتر پوشش/کاربری ها به صورت ترکیبی وجود دارند، لذا بهتر است از روش های نوینی که همه ابعاد پدیده ها را پوشش می دهند استفاده گردد. در این پژوهش اطلاعات حاصل از طبقه بندی نظارت شده و همچنین اطلاعات حاصل از روش منطقی درخت تصمیم گیری با یکدیگر تلفیق شده و نتایج حاصله به خوبی بیانگر بهبود دقت نهایی طبقه بندی بودند.