مقایسه عملکرد روش های یادگیری عمیق و جنگل تصادفی در طبقه بندی پوشش اراضی شهری (مطالعه موردی: شهر تبریز)

تهیه نقشه پوشش اراضی شهری یکی از پیش شرط های اساسی بسیاری از برنامه های شهری محسوب می شود. صرف کمترین زمان و هزینه برای تهیه این نقشه ها از جمله چالش های مدیران شهری محسوب می شود. امروزه تصاویر ماهواره ای و طبقه بندی آن ها کاربرد گسترده ای در تهیه نقشه های پوشش اراضی شهری پیدا کرده اند. بر این اساس هدف از این تحقیق، تهیه نقشه پوشش اراضی شهری در شهر تبریز با استفاده از تصویر ماهواره ای سنتینل-2 می باشد. برای طبقه بندی تصویر ماهواره ای، از دو الگوریتم جنگل تصادفی و یادگیری عمیق مبتنی بر شبکه عصبی (شبکه عصبی عمیق) استفاده شد. کلاس های کاربری مورد نظر شامل پنج پوشش سطحی: اراضی بایر، مناطق ساخته شده، راه، پوشش گیاهی و آب بودند. تمام مراحل پردازش تصاویر ماهواره ای به صورت خودکار و در سامانه های پردازش ابری Google Earth Engine و Google Colab انجام شد. با توجه به نتایج به دست آمده، الگوریتم شبکه عصبی عمیق با صحت کلی 95/2 درصد عملکرد بهتری را نسبت به الگوریتم جنگل تصادفی با صحت کلی 93/1 درصد ارایه کرد. بررسی عملکرد این دو الگوریتم در استخراج هر یک از کلاس ها نشان داد که روش شبکه عصبی عمیق در استخراج کلاس های اراضی بایر و مناطق ساخته شده عملکرد بهتری داشته است، به طوری که مقادیر صحت کاربر و تولید کننده آن در کلاس اراضی بایر به ترتیب 9/6 و 1 درصد بیش تر از الگوریتم جنگل تصادفی بودند. این میزان در کلاس مناطق ساخته شده نیز به ترتیب 0/3 و 4/3 درصد بیش تر از الگوریتم جنگل تصادفی بودند. از طرفی الگوریتم جنگل تصادفی در استخراج کلاس راه عملکرد بهتری داشت و  مقادیر صحت کاربر و تولید کننده آن به ترتیب 3/65 و 4/1 درصد بیش از روش شبکه عصبی عمیق بودند. بنابراین می توان گفت هر دو الگوریتم عملکرد مناسبی در تهیه نقشه پوشش شهری ارایه دادند، اما عملکرد کلی الگوریتم شبکه عصبی عمیق، مناسب تر بود.