ارزیابی عملکرد سه روش طبقهبندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و بیشترین شباهت) در تهیه نقشه کاربری اراضی

نقشههای کاربری/ پوشش اراضی ورودی پایه برای بسیاری از مدلهای شبیهسازی محیط طبیعی است؛ بنابراین، صحت نقشههای حاصل از طبقهبندی تصاویر ماهوارهای، عدم قطعیت را در مدلسازی کاهش میدهد. .این مطالعه با هدف ارزیابی صحت نقشههای کاربری اراضی تولید شده توسط روشهای طبقهبندی مبتنی بر یادگیری ماشین (الگوریتم جنگل تصادفی و ماشین بردار پشتیبان) و مقایسه آن با روش متداول بیشترین شباهت انجام شد. بدین منظور تصویر سنجنده OLI ماهواره لندست ۸، مربوط به منطقه مورد مطالعه (حوضه سد ستارخان در آذربایجان شرقی)، پس از انجام تصحیحات اولیه، مورد استفاده قرار گرفت. پنج کاربری شهر، کشاورزی آبی، کشاورزی دیم، مرتع و پهنه آبی مورد توجه قرار گرفت. دادههای واقعیت زمینی در قالب دو مجموعه دادههای تعلیمی (۷۰ درصد از نمونهها) و دادههای آزمون (۳۰ درصد) برای انجام طبقهبندی نظارت شده استفاده شد. صحت نقشههای حاصل از سه الگوریتم، با استفاده از شاخصهای ارزیابی صحت مورد مقایسه قرار گرفت. همچنین بهمنظور بررسی اختلاف معنادار آماری میان نتایج طبقهبندی از آزمون مک- نمار استفاده شد. نتایج نشان داد، صحت کل برای روش ماشین بردار پشتیبان، جنگل تصادفی و بیشترین شباهت بهترتیب برابر با ۶/۹۶، ۸/۹۰ و ۸/۹۰ درصد و ضریب کاپا بهترتیب ۹۳۴/۰، ۸۱۳/۰ و ۸۳۴/۰ بوده است. نتایج آزمون مک- نمار نیز معناداری اختلاف عملکرد در سطح پنج درصد آماری روش ماشین بردار پشتیبان با دو روش دیگر را تایید کرد.

Keywords:

Machine learning , Non-parametric classifier , McNemar test , Random forest algorithm , یادگیری ماشین , طبقهبند ناپارامتری , آزمون مک- نمار , الگوریتم جنگل تصادفی