مقايسه ي روشهاي آماري طبقه بندي تصاوير ماهوارهاي در استخراج پوشش زمين (مطالعه موردي: نواحي سواحلي اروند)

يكي از روش¬هاي پركاربرد استخراج اطلاعات موجود در تصاوير سنجش از دور، طبقه¬بندي مي¬باشد كه به كاربران امكان تهيه انواع نقشه¬هاي كه توزيع جغرافيايي پديده¬ها از قبيل خاك، آب، گياه و ... را مي¬دهد، از آنجا كه هدف اصلي از پردازش تصاوير ماهواره‌اي، تهيه نقشه‌هاي موضوعي و كارآمد مي‌باشد، انتخاب الگوريتم مناسب طبقه‌بندي نقش زيادي در اين امر ايفاء مي‌كند. در روش¬هاي پارامتري از قبيل حداكثر احتمال، حداقل فاصله و ... مشكل اصلي وابستگي آن¬ها به توزيع آماري داده¬هاي ورودي مي¬باشد. لذا محققان در راستاي بهبود و توسعه تكنيك¬هاي طبقه¬ بندي تلاش¬هاي گسترده¬اي را انجام دادند كه مي¬توان از تكنيك¬هاي شبكه¬هاي عصبي مصنوعي نام برد. شبكه¬هاي عصبي مصنوعي يك روش ناپارامتري بوده كه به توزيع خاصي وابسته نيست و توابع مورد نظر را از درون داده¬ها استخراج مي¬نمايد. تعيين كلاس¬هاي و نمونه¬هاي مورد نظر جهت طبقه¬بندي كاربري پوشش زمين با استفاده از عمليات ميداني، نقشه¬هاي توپوگرافي، عكس¬هاي هوايي و نقشه موجود انجام شد و با استفاده از اطلاعات فوق چهار كلاس پوشش گياهي، ساخت و ساز، آب و فضاي باز انتخاب گرديد. پس از اعمال دو الگوريتم شبكه عصبي مصنوعي و حداكثر احتمال بر روي تصوير ماهواره¬اي لندست8 با سنجنده¬هايOLI TIRS ، نقشه پوشش زمين نواحي ساحلي اروند تهيه گرديد. سپس به كمك ضريب توافق كاپا دقت روش¬هاي طبقه¬بندي مورد ارزيابي قرار گرفت. بر اساس نتايج حاصله روش شبكه عصبي مصنوعي با ضريب كاپا92/0 نسبت به الگوريتم حداكثر احتمال با ضريب كاپا79/0. عملكرد بهتري در تهيه نقشه پوشش زمين منطقه ساحلي اروند داشته است. كه بدليل ناپارامتري و غيرخطي بودن شبكه¬هاي عصبي مي¬باشد.