مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق)
محورهای موضوعی : سنجش از دور و جغرافیای زیستی
مهسا عبدلی لاکتاسرائی
1
,
مریم حقیقی خمامی
2
1 - دانشگاه گیلان
2 - دانشگاه گیلان
کلید واژه:
چکیده مقاله :
پارک های ملی و پناهگاه های حیات‌وحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجش‌ازدور توسعه‌یافته‌اند، انتخاب الگوریتم مناسب طبقه بندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا می کند. در این تحقیق با مقایسه صحت طبقه بندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیق‌تر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سال های 2000 تا 2017 با استفاده از تصاویر ماهواره‌ایETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهواره‌ای را بهتر طبقه بندی کرده است؛ بنابراین، از نقشه های کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی شده، مساحت کاربری های پیکره آبی، دریا، پوشش علفی و کشاورزی کاهش‌یافته است درحالی‌که کلاس کاربری های باتلاقی، درختی و بدون پوشش افزایش‌یافته است.
National parks and wildlife shelter are the most important natural heritages; therefore, knowing of quantitative and qualitative changes in their land use plays an essential role in the quality of these areas' management. various algorithms have been developed to classify satellite imagery in remote sensing, selecting an appropriate classification algorithm is very important in achieving the accurate results. In this research, a more accurate algorithm was determined by comparing the classification accuracy of two artificial neural network and support vector machine algorithms, and it was used to examine the process of the land use changes. The present study was performed in Boujagh National Park, in the Guilan Province, during the years 2000 to 2017, using satellite imagery ETM and OLI of Landsat 7 and 8. The results of the research revealed that the support vector machine algorithm with overall accuracy and Kappa coefficient of 86.42 and 0.83 respectively for the year 2000 and, 90.65 and 0.88 for the year 2017, classified the satellite images more precisely, in comparison with the artificial neural network algorithm with overall accuracy and Kappa coefficient of 83.71 and 0.80 respectively for the year 2000 and overall accuracy and Kappa coefficient of 89.25 and 0.87 for the year 2017. Therefore, the land use maps of the support vector machine algorithm were used to determine the land use changes. The study of land use change by this method concluded that the areas of the waterbody, sea, grassland and agriculture have decreased and marshland, woody and bare lands classes showed an increase during the study period.
