امیرهوشنگ احسانی - دانشیار، پردیس دانشکده های فنی، دانشکده محیط زیست، دانشگاه تهران، تهران، ایران. (مسوول مکاتبات)
مجتبی شاکریاری - کارشناس ارشد علوم محیط زیست، دانشکده محیط زیست، دانشگاه تهران، تهران، ایران.

زمینه و هدف: طبقه بندی تصاویر یکی از روش های مهم درتفسیرتصاویر ماهواره ای است که کاربرد زیادی در بررسی تغییرات زمین دارد. در این میان داده های ماهواره ای به دلیل ارایه اطلاعات به روز، ارزان بودن و تنوع اشکال بهترین وسیله برای آشکارسازی و ارزیابی تغییرات شناخته شده است. از طرفی دیگر در سال های اخیر روش های شبکه های عصبی مصنوعی به طور وسیع و گسترده جهت طبقه بندی داده های ماهواره ای استفاده می شود. هدف از این پژوهش مقایسه سه روش مختلف جهت طبقه بندی پوشش اراضی با استفاده از تصویر سنجده OLI سال ۲۰۱۴ طی یک دوره ۲۶ ساله می باشد. روش بررسی: در این مقاله تصویر سنجنده OLI (۱۳۹۳) از لحاظ هندسی و اتمسفری در نرم افزار ENVI تصحیح شد. سپس جهت طبقه بندی تصویر به سه روش شبکه های عصبی مصنوعی آرتمپ فازی، شبکه عصبی مصنوعی پرسپترون چند لایه و روش ماشین بردار پشتیبان با استفاده از نرم افزار IDRIS Selva، نقشه پوشش اراضی به پنج کلاس آب، پوشش گیاهی، نیزار، اراضی بایر و اراضی شور طبقه بندی گردید. در نهایت به منظور ارزیابی صحت با استفاده از صحت کاربر، صحت تولید کننده، صحت کلی، ضریب کاپا و ماتریس خطا، نقشه ایجاد شده با نقشه واقعیت زمینی ایجاد شده توسط GPS و تصاویر گوگل ارث و بازدیدهای صحرایی مورد مقایسه قرار گرفت. بحث و نتیجه گیری: نتایج نشان دادند که روش آرتمپ فازی بیش ترین میزان دقت را با صحت کل  ۹۴.۶۸ و ضریب کاپای۹۱/. نسبت به دو روش شبکه عصبی مصنوعی پرسپترون چند لایه با صحت کل ۹۲.۹۹ و ضریب کاپای ۸۹/. و ماشین بردار پشتیبان با صحت کل ۹۰.۹۳و ضریب کاپای ۸۵/. در طبقه بندی داده های ماهواره ای دارد.

شبکه عصبی مصنوعی, طبقه بندی پوشش اراضی, تالاب بین المللی هامون, داده های ماهواره ای