مقایسه ی روشهای آماری طبقه بندی تصاویر ماهوارهای در استخراج پوشش زمین مطالعه موردی: نواحی سواحلی اروند

یکی از روش های پرکاربرد استخراج اطلاعات موجود در تصاویر سنجش از دور، طبقه بندی می باشد که به کاربران امکان تهیه انواع نقشه های که توزیع جغرافیایی پدیده ها از قبیل خاک، آب، گیاه و ... را می دهد، از آنجا که هدف اصلی از پردازش تصاویر ماهواره ای، تهیه نقشه های موضوعی و کارآمد می باشد، انتخاب الگوریتم مناسب طبقه بندی نقش زیادی در این امر ایفاء می کند. در روش های پارامتری از قبیل حداکثر احتمال، حداقل فاصله و ... مشکل اصلی وابستگی آن ها به توزیع آماری داده های ورودی می باشد. لذا محققان در راستای بهبود و توسعه تکنیک-های طبقه بندی تلاش های گسترده ای را انجام دادند که می توان از تکنیک های شبکه های عصبی مصنوعی نام برد. شبکه های عصبی مصنوعی یک روش ناپارامتری بوده که به توزیع خاصی وابسته نیست و توابع مورد نظر را از درون داده ها استخراج می نماید. تعیین کلاس های و نمونه های مورد نظر جهت طبقه بندی کاربری پوشش زمین با استفاده از عملیات میدانی، نقشه های توپوگرافی، عکس های هوایی و نقشه موجود انجام شد و با استفاده از اطلاعات فوق چهار کلاس پوشش گیاهی، ساخت و ساز، آب و فضای باز انتخاب گردید. پس از اعمال دو الگوریتم شبکه عصبی مصنوعی و حداکثر احتمال بر روی تصویر ماهواره ای لندست8 با سنجنده هایOLI TIRS ، نقشه پوشش زمین نواحی ساحلی اروند تهیه گردید. سپس به کمک ضریب توافق کاپا دقت روش های طبقه بندی مورد ارزیابی قرار گرفت. بر اساس نتایج حاصله روش شبکه عصبی مصنوعی با ضریب کاپا92/0 نسبت به الگوریتم حداکثر احتمال با ضریب کاپا79/0. عملکرد بهتری در تهیه نقشه پوشش زمین منطقه ساحلی اروند داشته است. که بدلیل ناپارامتری و غیرخطی بودن شبکه های عصبی می باشد.

کلیدواژه ها:

پوشش زمین ، حداکثراحتمال ، طبقه بندی ، ساحل خوزستان ، شبکه عصبی مصنوعی