ارزيابي روش‌هاي طبقه‌بندي شئ‌گرا و پيكسل مبنا در جداسازي سازندهاي زمين‌شناسي با استفاده از تصاوير لندست 8 و بهره‌گيري از منطق بولين

تهيه نقشه ‌هاي سنگ شناسي به كمك داده ‌هاي ميداني و دوركاوي به دليل تنوع ساختاري زمين و مشكلاتي مانند دشواري دسترسي به بعضي مناطق، هميشه با خطا همراه بوده است. اما در دهه ‌هاي گذشته استفاده از تصاوير ماهواره‌ اي كمك شاياني در افزايش دقت و سرعت تهيه نقشه‌ هاي زمين‌شناسي داشته است. هدف از پژوهش حاضر، بررسي قابليت استفاده از تصاوير ماهواره لندست-8 و روش‌هاي طبقه‌بندي پيكسل مبنا و ‌شئ‌گرا در تهيه نقشه سازندهاي زمين‌شناسي بخشي از رشته كوه شيركوه استان يزد مي‌باشد. اين منطقه جزء سلسله كوه‌ هاي پراكنده ايران مركزي با اقليم خشك و حداقل پوشش گياهي است. در آغاز براي شناسايي سازندها با استفاده از پردازش‌ هاي: MNF, PCA و FCC بارزسازي انجام شد. سپس با بهره ‌گيري از خوارزميك‌هاي (الگوريتم) شئ‌گرا (BAYES، SVM، KNN، DECISION TREE و RANDOM FOREST)، شبكه عصبي (ART MAP، RBF، MLP و SOM) و پيكسل مبنا (حداكثر احتمال، حداقل فاصله، ماهالانوبيس و SAM) ، طبقه‌ بندي شدند و مقدار خطاي هركدام از روش‌ ها با استفاده از منطق بولين و ضريب كاپا محاسبه شد. طبقه‌بندي حداكثر احتمال با ضريب كاپا 75% در دسته پيكسل مبنا، طبقه‌بندي آرتمپ فازي در روش شبكه عصبي با ضريب كاپا 72% و طبقه‌بندي بيز در روش شئ‌گرا  با ضريب كاپا 82% بهترين نتايج را در بين ديگر روش ‌هاي بررسي شده نشان دادند. اين نتايج كارآمدي روش‌ هاي نامبرده شده را در شناسايي سازندهاي زمين‌شناسي به اثبات مي‌رساند. روش‌ SAM از روش‌هاي پيكسل مبنا، روش SOM از روش‌هاي شبكه عصبي و روش RF از روش‌هاي شئ‌گرا به‌ترتيب 49 %، 64 % و 61 % كمترين ميزان دقت‌ نتايج را در هر دسته نشان دادند.