حمداله جاویده - کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز
کاظم رنگزن - دانشیار، دانشکده علوم زمین، دانشگاه شهید چمران اهواز
مصطفی کابلی زاده - استادیار، دانشکده علوم زمین، دانشگاه شهید چمران اهواز
شاهین محمدی - کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز

روش های طبقه بندی متعددی وجود دارند و طبقه بندی های مختلف دقت مختلفی را دارند. نتایج روش های طبقه بندی اغلب بستگی به پیچیدگی چشم انداز منطقه مورد مطالعه و داده های مورد استفاده دارد؛ بنابراین هدف این مقاله یافتن یک طبقه بندی مناسب برای طبقه بندی کاربری اراضی و پوشش زمین به کمک تصاویر سنجنده های ETM+ ،TM و OLI به ترتیب برای سال های 1377، 1387 و 1398 استفاده گردید. همچنین شاخص تفاضلی پوشش گیاهی نرمال شده (NDVI) شاخص تفاضلی شوری نرمال شده (NDSI) و آنالیز مولفه های اصلی (PCA) همراه با سایر باندها برای افزایش دقت طبقه بندی مورد استفاده قرار گرفت. سپس به منظور طبقه بندی به سه روش حداکثر احتمال (ML)، ماشین بردار پشتیبان (SVM) و شبکه عصبی (NN) با استفاده از نرم افزار ENVI، نقشه پوشش اراضی به شش کلاس پهنه آبی، ساخته شده، کشاورزی، بایر، شور و تپه ماسه طبقه بندی گردید. در نهایت به منظور ارزیابی صحت با استفاده از صحت کاربر، صحت تولید کننده، صحت کلی، ضریب کاپا و ماتریس خطا، لایه تهیه شده با نقاط ایجاد شده توسط نمونه برداری تصادفی و تصویر گوگل ارث مورد مقایسه قرار گرفت. نتایج نشان داد که طی سال های 1377، 1387 و 1398 روش ماشین بردار پشتیبان به ترتیب با دقت کلی 96/45، 95/10 و 94/90 درصد در کرنل تاج پایه شعاعی (RBF) نسبت به دو روش حداکثر احتمال با دقت کلی 94/23، 92/52 و 91/50 درصد و شبکه عصبی با دقت کلی 92/42، 85/62 و 89/63 درصد کارایی بهتری از خود نشان داد.

لندست، ماشین بردار پشتیبان، حداکثر احتمال، شبکه عصبی، اهواز