ارزيابي و مقایسه روش¬های ماشین بردار پشتیبان با کرنل‏های خطی، چند جمله‏ای و پایه شعاعی با شبکه عصبی مصنوعی جهت طبقه¬بندي کاربري اراضي

در طول دهه هاي گذشته داده هاي سنجش از دور به علت تكرار دورهاي، تنوع طيفي و راديومتريك، ديد يكپارچه و فرمت رقومي مناسب براي پردازش در کامپيوتر، منبع داده شگرفي براي کاربردهاي گوناگون از جمله تهيه نقشه¬هاي پوشش اراضي محسوب مي شوند. از آنجا که هدف اصلي از پردازش تصاوير ماهواره‏اي، تهيه نقشه‏هاي موضوعي و کارآمد مي‏باشد، انتخاب الگوريتم مناسب طبقه‏بندي نقش زيادي در اين امر ايفاء مي‏کند. اين مطالعه کارايي الگوريتم‏هاي ماشين بردار پشتيبان (SVMs) را در طبقه‏بندي تصاوير ماهواره‏اي مورد بررسي و آن را با الگوریتم شبکه عصبی مصنوعی مورد مقایسه قرار مي‏دهد. ماشين‏هاي بردار پشتيبان يک گروه از الگوريتم‏هاي طبقه‏بندي نظارت شده يادگيري ماشيني هستند که در زمينه سنجش از دور مورد استفاده قرار گرفته¬اند. در اين مطالعه، الگوريتم¬هاي SVM براي طبقه‏بندي کاربري اراضي منطقه میمه با استفاده از داده‏هاي ETM+ لندست مورد استفاده قرار گرفته است. طبقه‏بندي با استفاده از روش ماشين‏هاي بردار پشتيبان، بصورت خودکار و با استفاده از سه نوع کرنل خطي ، چند جمله‏اي و شعاعي اجراء شده است. در ضمن، کارکرد اين روش با روش طبقه‏بندي شبکه عصبی مصنوعی مقايسه شده است. نتايج نشان مي‏دهد که الگوريتم‏هاي SVM شامل کرنل خطي، چند جمله‏اي و شعاعي نسبت به روش طبقه‏بندي شبکه عصبی مصنوعی از نظر دقت کل (حدود 10%) و ضريب کاپا (حدود 14%) برتري دارد. بنابراين اين مطالعه کارايي و قابليت الگوريتم‏هاي SVM را در طبقه‏بندي تصاوير سنجش از دور اثبات مي‏نمايد.

روش شبکه عصبی مصنوعی، ماشين‏هاي بردار پشتيبان، کاربري اراضي، طبقه‏بندي نظارت شده، میمه