امید ترابی - کارشناس پژوهشی موسسه تحقیقات آب وزارت نیرو
نعمت اله کریمی - استادیار، موسسه تحقیقات آب (وزارت نیرو)، تهران، ایران
سارا شش انگشت - کارشناس پژوهشی، موسسه تحقیقات آب (وزارت نیرو)، تهران، ایران
مریم رشتبری - کارشناس پژوهشی، موسسه تحقیقات آب (وزارت نیرو)، تهران، ایران
امیرحسین سربازوطن - کارشناس پژوهشی، موسسه تحقیقات آب (وزارت نیرو)، تهران، ایران

به طور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقه بندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتم های طبقه بندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) می باشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه لایه های شیب، مدل رقومی ارتفاعی و یک تصویر اصلی تصحیح شده ماهواره Sentinel-۲ توسط سه روش اشاره شده به صورت نظارت شده مورد آموزش و طبقه بندی قرار گرفت. سپس فرآیند طبقه بندی با حضور تصاویر راداری ماهواره Sentinel-۱ مجددا انجام گردید. در نهایت طی عملیات پس پردازش با استفاده از فیلتر بیشترین فراوانی پیکسل های منفرد به کلاس های همسایه الصاق شده و نتایج نهایی با داده های زمینی مورد صحت سنجی قرار گرفت. نتایج نشان داد در بررسی تمام کلاس ها، دقت کل و ضریب کاپا در حالت حضور داده های راداری و برای هر سه روش طبقه بندی تنها ۳ درصد بهبود یافته است اما در بررسی یک به یک کلاس ها مشاهده می شود دقت تولید کننده روش جنگل تصادفی در کلاس کشت مجدد بهبود قابل توجهی داشته و مقدار آن از ۷۴/۰ به ۸۴/۰ رسیده است. در روش ماشین بردار پشتیبان نیز کلاس های دیم و باغات بهبود محسوس تری داشته اند که به ترتیب از ۷۵/۰ و ۷۸/۰ به ۸۴/۰ و ۹۲/۰ افزایش یافته است. نهایتا می توان چنین عنوان کرد که اضافه کردن تصاویر راداری به عمل طبقه بندی تنها در کلاس های مربوط به اراضی کشت مجدد، دیم و باغات تاثیر مثبت و قابل توجهی دارد و نیز برتری کاملا محسوس روش جنگل تصادفی در مقایسه با روش های دیگر مشهود است.

یادگیری ماشینی, کاربری اراضی, رادار, سری زمانی