تهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روش‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال

نوع مقاله: مقاله پژوهشی

چکیده

یکی از ضروری‌ترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشه‌های کاربری اراضی می‌باشد. در پژوهش حاضر، به‌منظور تهیة نقشة کاربری اراضی دشت عباس از داده‌های رقومی سنجنده (1386)ETM+ استفاده شد. ابتدا تصویر با میانگین خطای مربعات 47/0 پیکسل تصحیح هندسی شد. جهت طبقه­بندی تصویر از روش‌های طبقه­بندی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال استفاده شد. در نهایت، نقشة پوشش اراضی منطقه به چهار کلاس اراضی کشاورزی، مرتع فقیر، اراضی بایر و پهنه‌های ماسه‌ای طبقه بندی گردید. برای ارزیابی صحت نتایج طبقه‌بندی، نقشة تولیدی با نقشة واقعیت زمینی ایجاد شده از طریق GPS و بازدید صحرایی مورد مقایسه قرار گرفت.  نتایج نشان داد، روش شبکه عصبی مصنوعی به‌ترتیب با صحت کلی 37/98 درصد و ضریب کاپای97/0 نسبت به روش­ ماشین بردار پشتیبان (با صحت کلی 36/92 درصد و ضریب کاپای 87/0) و حداکثر احتمال (با صحت کلی 42/81 درصد و ضریب کاپای 73/0) عملکرد بهتری در تهیه نقشه کاریری اراضی داشته است. مطالعة حاضر نشان داد که روش طبقه بندی شبکة عصبی، قابلیت تهیة نقشه پوشش اراضی را با صحت بالا دارد.

عنوان مقاله [English]

Comparing accuracy of artificial neural network, Support Vector Machine and maximum likelihood Algorithms for land use classification (Case study: Dashat Abbas arid region, Ilam Province)

چکیده [English]

Land use maps are the most essential information in the hand of natural resources managers.In the present research, to prepare Dahat Abbas land use map, Landsat ETM+ (1386) data was used. The image was geometrically corrected with root mean square error of less than 0.47. For classification, artificial neural network, support vector machine and maximum likelihood methods were used.Finally, theland covermapwas created containing fourclasses ofagricultural lands, poor rangeland, barelandsandsand dunes. To evaluate theaccuracy ofclassification, the produced map was comparedwitha ground truthmapthroughGPSand field work. The resultsshowed thatANN methodwith overall accuracyof 96.5% and a kappa of 95.16% was better than thesupport vectormachineandmaximum likelihoodmethodsinmappingland cover.This studyshowed the suitability of the neuralnetworkclassification method inprovidingland cover map of the area withhighaccuracy.