عبای علیمحمدی - عضو هیئت علمی گروه سنجش از دور و GIS دانشگاه تربیت مدرس
جلال کرمی - کارشناسی ارشد سنجش از دور و GIS گروه دورنسنجی سازمان زمین شناسی و اکتشافا

از آنجاییکه پدیده های زمینی دارای مناطق همپوشانی طیفی هستند بنابراین استفاده از این ویژگیها در طبقه بندی پدیده های مذکور به نتایج قابل قبولی منجر نخواهد شد. لذا استفاده از داده های کمکی مانند بافت ارتفاع ، شیبی و جهت و داده های مکانی از قبیل شکل، اندازه محیط و مساحت در کنار اطلاعات طیفی می تواند باعث کاهش خطا از یک طرف و توسعه تعداد کلاسهای زمینی از طرف دیگر شود. طبقه بندی شیء-گرا از این قبیل اطلاعات در فرآیند طبقه بندی استفاده می کند. از طرف دیگر الگوریتم های سنتی مشابهت و مهالانوبیس بخاطر وابستگی به مدل توزیع آماری گوسی، نمی توانند از این منابع چندگانه با مقیاسها و توزیع های آماری مختلف بنحو موثری استفاده نمایند. بنابراین نیاز به الگوریتم هعایی با انعطاف پذیری بالا مانند شبکه های عصبی مصنوعی می باشد که ویژگی ها را از خود داده ها استخراج نماید.

طبقه بندی پیکسل‌ ، پایه شبکه های عصبی مصنوعی ، شکل و اندازه ، طبقه بندی شیء ، پایه