ارزیابی تاثیر تصاویر راداری در طبقه بندی انواع کلاس های کاربری اراضی در الگوریتم های مبتنی بر یادگیری ماشینی

به طور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقه بندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتم های طبقه بندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) می باشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی (NDVI) به همراه لایه های شیب، مدل رقومی ارتفاعی و یک تصویر اصلی تصحیح شده ماهواره Sentinel-2 توسط سه روش اشاره شده به صورت نظارت شده مورد آموزش و طبقه بندی قرار گرفت. سپس فرآیند طبقه بندی با حضور تصاویر راداری ماهواره Sentinel-1 مجددا انجام گردید. در نهایت طی عملیات پس پردازش با استفاده از فیلتر بیشترین فراوانی پیکسل های منفرد به کلاس های همسایه الصاق شده و نتایج نهایی با داده های زمینی مورد صحت سنجی قرار گرفت. نتایج نشان داد در بررسی تمام کلاس ها، دقت کل و ضریب کاپا در حالت حضور داده های راداری و برای هر سه روش طبقه بندی تنها 3 درصد بهبود یافته است اما در بررسی یک به یک کلاس ها مشاهده می شود دقت تولید کننده روش جنگل تصادفی در کلاس کشت مجدد بهبود قابل توجهی داشته و مقدار آن از 74/0 به 84/0 رسیده است. در روش ماشین بردار پشتیبان نیز کلاس های دیم و باغات بهبود محسوس تری داشته اند که به ترتیب از 75/0 و 78/0 به 84/0 و 92/0 افزایش یافته است. نهایتا می توان چنین عنوان کرد که اضافه کردن تصاویر راداری به عمل طبقه بندی تنها در کلاس های مربوط به اراضی کشت مجدد، دیم و باغات تاثیر مثبت و قابل توجهی دارد و نیز برتری کاملا محسوس روش جنگل تصادفی در مقایسه با روش های دیگر مشهود است.