ارزيابي تاثير تركيب تصاوير با روش Gram-Schmidt در دقت طبقه بندي پوشش سطحي در تصاوير OLI لندست 8 با استفاده از الگوريتم شبكه هاي عصبي مصنوعي

دقت طبقه بندي تصاوير ماهواره اي بمنظور تهيه نقشه هاي پوشش سطحي از جمله چالش هاي اساسي حوزه سنجش از دور بشمار مي آيد. روش Gram-Schmidt از جمله روشهاي ادغام داده ها جهت توليد داده هايي با شرايط بهينه از نظر مكاني مي باشد كه بدليل استفاده از تابع پاسخ طيفي ارايه شده از طرف سنجنده براي شبيه سازي داده هاي پانكروماتيك و تركيب تصاوير، بسيار دقيق است و براي اكثر كاربردها پيشنهاد مي شود. در اين مطالعه از الگوريتم شبكه هاي عصبي پيش خور براي طبقه بندي تصاوير OLI لندست 8 استفاده شد، در ابتدا براي انجام طبقه بندي كلاس هاي اطلاعاتي مشخص شدند و پس از برداشت نمونه هاي آموزشي و معرفي به شبكه، طبقهبندي در يك مرتبه بر روي باندهاي طيفي با پيكسل 30 متر و در مرتبه بعد بر روي باندهاي تركيب شده با پيكسل 15 متر انجام شد. در نهايت خروجي هر دو اجرا با استفاده از شاخص كاپا و صحت كلي با يكديگر مقايسه شدند. مقدار اين ضريب براي باندهاي 30 متر و 15 متر به ترتيب 72 و 83 درصد شد كه نشان از تاثير مثبت تركيب تصاوير با روش گرام- اشميت دارد.