ارزيابي عملكرد سه روش‌ طبقه‌بندي تصوير (جنگل تصادفي، ماشين بردار پشتيبان و بيشترين شباهت) در تهيه نقشه كاربري اراضي

Performance Evaluation of Three Image Classification Methods (Random Forest, Support Vector Machine and the Maximum Likelihood) in Land Use Mapping

نقشه‌هاي كاربري/ پوشش اراضي ورودي پايه براي بسياري از مدل‌هاي شبيه‌سازي محيط طبيعي است؛ بنابراين، صحت نقشه‌هاي حاصل از طبقه‌بندي تصاوير ماهواره‌اي، عدم قطعيت را در مدل‌سازي كاهش مي‌دهد. .اين مطالعه با هدف ارزيابي صحت نقشه‌هاي كاربري اراضي توليد شده توسط روش‌هاي طبقه‌بندي مبتني بر يادگيري ماشين (الگوريتم جنگل تصادفي و ماشين بردار پشتيبان) و مقايسه آن با روش متداول بيشترين شباهت انجام شد. بدين منظور تصوير سنجنده OLI ماهواره لندست 8، مربوط به منطقه مورد مطالعه (حوضه سد ستارخان در آذربايجان شرقي)، پس از انجام تصحيحات اوليه، مورد استفاده قرار گرفت. پنج كاربري شهر، كشاورزي آبي، كشاورزي ديم، مرتع و پهنه آبي مورد توجه قرار گرفت. داده‌هاي واقعيت زميني در قالب دو مجموعه داده‌هاي تعليمي (70 درصد از نمونه‌ها) و داده‌هاي آزمون (30 درصد) براي انجام طبقه‌بندي نظارت شده استفاده شد. صحت نقشه‌هاي حاصل از سه الگوريتم، با استفاده از شاخص‌هاي ارزيابي صحت مورد مقايسه قرار گرفت. همچنين به‌منظور بررسي اختلاف معنادار آماري ميان نتايج طبقه‌بندي از آزمون مك- نمار استفاده شد. نتايج نشان داد، صحت كل براي روش ماشين بردار پشتيبان، جنگل تصادفي و بيشترين شباهت به‌ترتيب برابر با 96/6، 90/8 و 90/8 درصد و ضريب كاپا به‌ترتيب 0/934، 0/813 و 0/834 بوده است. نتايج آزمون مك- نمار نيز معناداري اختلاف عملكرد در سطح پنج درصد آماري روش ماشين بردار پشتيبان با دو روش ديگر را تأييد كرد.

Land use/cover maps are the basic inputs for most of the environmental simulation models; hence, the accuracy of the maps derived from the classification of the satellite images reduces the uncertainty in modeling. The aim of this study was to assess the accuracy of the maps produced by machine learning based on classification methods (Random Forest and Support Vector Machine) and to compare them with a common classification method (Maximum Likelihood). For this purpose, the image of the OLI sensor of Landsat 8 for the study area (Sattarkhan Dam’s basin in the Eastern Azerbaijan) was used after the initial corrections. Five land uses including urban, irrigated and rain-fed agriculture, range and water body were considered. For conducting the supervised classification, ground truth data were used in two sets of educational (70% of the total) and test (30%) data. Accuracy indexes were used and the McNemar test was employed to show the significant statistical difference between the performances of the methods. The results indicates that the overall accuracy of Support Vector Machine, Random Forest, and Maximum Likelihood methods was 96.6, 90.8, and 90.8 %, respectively; also the Kappa coefficient for these methods was 0.93, 0.81 and 0.83, respectively. The existence of a significant statistical difference at the 95% confidence between the performances of the Support Vector Machine algorithm and the other two algorithms was confirmed by the McNemar test.