قابلیت الگوریتم های نظارت شده در تهیه نقشه پوشش اراضی در مقیاس محلی (مطالعه موردی: استان گیلان)

امکان بررسی پوشش زمین در مقیاس گسترده با استفاده از داده های سنجش از دور وجود دارد.  طبقه بندی پوشش زمین در استان گیلان با استفاده از سنجنده OLI و 4 کرنل ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و حداکثر احتمال (ML) انجام شد.

طبقه بندی ها بر اساس نمونه های تعلیمی 10 پوشش مختلف در کل استان صورت گرفت. برای بالابردن دقت نقشه ها، تصویر OLI با استفاده از محصولات MODIS با اعمال کد انتقال تابشی وکتوری در طیف خورشید (SV6) مورد تصحیح اتمسفری قرار گرفته است. تصویر بر مبنای معیار همگنی به 219000 پلی گون، سگمنت بندی گردید. به روش کاملا تصادفی 2% از پلی گون های همگن برای آموزش و آزمون استفاده گردید. با بازدید میدانی، پلی گون ها به کلاس ها برچسب داده شدند.

به کارگیری تصاویر تصحیح شده با کد SV6 در طبقه بندی سبب ارتقاء صحت کلی الگوریتم های ANN،  SVMو ML به ترتیب به میزان 11/0%، 8/0% و 9/1% گردیده است. ارزیابی نتایج بیان گر برتری کرنل شعاعی SVM به ترتیب با صحت کلی و ضریب کاپای آماری 6/75% و 72/0 است. در این الگوریتم صحت کلاس های کشاورزی، مراتع مشجر و آبی به ترتیب 16/93%، 55/72% و 57/96% است. نتایج بیان گر ارتقاء صحت کلی الگوریتم SVM در مقایسه با الگوریتم ML به میزان 67/1% است.

این تحقیق نشان دهنده برتری روش ناپارامتریکSVM  در مقایسه با پارامتریک در تهیه نقشه پوشش اراضی استان گیلان است. اعمال تصحیحات دقیق اثرات اتمسفر بر روی تصاویر در مناطق با مقیاس محلی و بزرگ با توجه به تغییرات شرایط اتمسفر و خصوصیات زمین قابل پیشنهاد است.