مقايسة ميزان كارآيي سه روش طبقه‌بندي نظارت شده برداده‌هاي ماهواره‌اي در مطالعةپوشش برف

در اختيار داشتن نقشه‌هاي كاربري اراضي جديد در بسياري از زمينه‌ها از جمله برنامه‌ريزي و مديريت منابع طبيعي از اهميت بسياري برخوردار است. امروزه تعـدادي از روش‌هـاي پيشرفته‌ طبقه‌بندي توسعه پيدا كرده‌اند كه از آن‌ها مي‌توان به شبكه‌هاي عصبي مصنوعي و ماشين بردار پشـتيبان اشـاره كرد. در اين مطالعه از تصاوير سنجنده ETM+ با قدرت تفكيك ۳۰ متر جهت استخراج سطح پوشش برف با اسـتفاده از سه روش طبقـه‌بنـدي شبكه عصبي مصنوعي، ماشين بردار پشتيبان و بيشترين شباهت اقدام شد. پس از پردازش‌هاي اوليه بر روي تصاوير و با استفاده از نمونه‌هاي تعليمي، طبقه‌بندي بر روي تصاوير صورت پذيرفت. نتايج حاصل از آناليز آماري ضرايب صحت نشان داد كه شبكه عصبي مصنوعي نسبت به روش ماشين بردار پشتيبان و روش بيشترين شباهت با ضريب كاپاي 945/0 و صحت كلي 75/96 درصد داراي بيشترين دقت در برآورد پوشش برف و آب و خاك مي‌باشد. روش شبكه عصبي مصنوعي كلاس‌هايي را كه داراي خصوصيات طيفي مشترك بودند بهتر تفكيك كرد است. همچنين در جدا سازي پوشش برف و آب و خاك ماشين بردار پشتيبان قابليت جداسازي بهتري نسبت به بيشترين شباهت داشته و تشخيص مرز بين عارضه‌ها ملموس‌تر نمايان گرديده است. با توجه به نتايج هر سه روش شبكه عصبي مصنوعي،‌ ماشين بردار پشتيبان و بيشترين شباهت براي طبقه‌بندي پوشش برف خوب بوده است اما اختلاف اندك اين سه روش مي‌تواند ناشي از اين باشد كه در روش بيشترين شباهت خطا كمينه مي‌شود ولي شبكه عصبي مصنوعي و ماشين بردار پشتيبان ريسك ساختاري را كمينه مي‌كند.