علی میرزایی - کارشناس ارشد سنجش از دور، دانشگاه اصفهان
احسان مسعودیان - کارشناس ارشد سیستم اطلاعات مکانی، دانشگاه تهران

با توجه به تغییرات گسترده ی پوشش اراضی در دهه های اخیر، تهیه نقشه ی پوشش اراضی بسیار حائز اهمیت است. تصاویر سنجش از دور قابلیت بسیار خوبی در تهیه این نقشه ها، از خود نشان داده اند. از همین رو، از سه مدل جنگل تصادفی ( Random Forest )، ماشین بردار پشتیبان ( Support Vector Machine ) و k -نزذیک ترین همسایگان ( KNN ) جهت طبقه بندی پوشش اراضی در شهر مادرید پایتخت اسپانیا استفاده شد. از سوی دیگر، به دلیل ویژگی های زیاد استخراج شده از تصاویر سنجش از دور و نیز لزوم تهیه نقشه های کاربری اراضی در پهنه های وسیع، حجم محاسبات در اینگونه مسائل بالا بوده و لزوم انتخاب ویژگی درست بیش از پیش، مطرح است. این مطالعه به مقایسه ی روش های انتخاب ویژگی، به عنوان یکی از راهکارهای اصلی کاهش محاسبات، پرداخت. نتایج حاکی از برتری روش های XGBoost ، Genetic و RFECV نسبت به سایر روش ها بود.

یادگیری ماشین، پوشش اراضی، انتخاب ویژگی، لندست ۸