ارزيابي كارايي روش طبقه بندي درختي جهت استخراج نقشه كاربري اراضي با استفاده از داده هاي ماهواره اي درحوزه ي چم گردلان استان ايلام

Assessment of the Effectiveness of Decision Tree Classification Method for Extracting Landuses Map by Using Sattellite Data in Cham Gardalan Catchment Area

يكي از كاربردهاي عمده ي داده هاي ماهواره اي طبقه بندي پوشش سطح زمين مي باشد. طيّ سال هاي گذشته تعدادي الگوريتم هاي طبقه بندي براي طبقه بندي داده هاي سنجش از دور ابداع شده اند. قابل توجه ترين آنها شامل روش هاي حداكثر احتمال، روش هاي شبكه عصبي مصنوعي و طبقه بندي هاي درختي مي باشد. در اين مطالعه، ابتدا تصحيحات هندسي و راديومتري بر روي داده هاي ETM+ صورت گرفت. سپس با بازديدهاي ميداني ، طبقات مختلف كاربري اراضي تعريف و نمونه هاي آموزشي انتخاب گرديد. در اين مطالعه، هدف اصلي مقايسه سه الگوريتم انشعاب روش طبقه بندي درختي براي طبقه بندي پوشش سطح زمين حوزه چم گردلان استان ايلام مي باشد. در ضمن، كاركرد اين روش با دو روش طبقه بندي ديگر، شامل حداكثر احتمال و شبكه عصبي مصنوعي آرتمپ فازي مقايسه شده است. نتايج حاصل از ارزيابي دقت تصاوير طبقه بندي شده نشان داد كه روش طبقه بندي درختي با دقت كل 87 و ضريب كاپاي 84/0 داراي بيشترين صحت و پس از آن روش هاي شبكه عصبي مصنوعي آرتمپ فازي و حداكثر احتمال به ترتيب با دقت كل 84 و 81 و ضريب كاپاي 81/0 و 78/0 در رتبه هاي بعدي ازنظر دقت قرار مي گيرند. بعلاوه، زماني كه روش هاي مختلف انشعاب مورد آناليز قرار گرفت، مشخص گرديد كه روش انشعاب جيني نسبت به روش هاي انشعاب نسبت بهره و آنتروپي دقت بالاتري (با دقت كل 6% و 2% و ضريب كاپاي 7% و 2% بيشتر) داشت. در اين تحقيق، بالاترين دقت طبقه بندي مربوط به طبقه بندي درختي با روش انشعاب جيني بود. بنابراين، اين مطالعه نشان مي دهد كه روش هاي طبقه بندي درختي مزيّت هاي زيادي نسبت به روش هاي طبقه بندي شبكه عصبي مصنوعي آرتمپ فازي و حداكثر احتمال دارد و آن اينكه آنها از لحاظ محاسباتي سريع بوده و تابع فرضيات آماري در ارتباط با توزيع داده ها نمي باشند.

In order to classify satellite image of the ETM+, classes of land uses were classified in six groups as agricultural lands, rangeland, forest, land barren, garden, lake and then training samples were collected from study area using Google Earth satellite image and the field visits. At the next stage, by using the images characteristics, According to results, the tree classification with three splitting methods(gain ratio, entropy, and gini) produced the overall accuracy of 87 and kappa coefficient 0.84, respectively, while, methods of fuzzy Artmap and maximum likelihood were classified with overall accuracies of 84, 81 and Kappa coefficients of 0.81, 0.78, respectively. Thus, the splitting methods of tree classification (average overall accuracy of 3% and Kappa coefficient of 3% in comparing with to methods of fuzzy Artmap artificial neural network, and average overall accuracy 6% and kappa coefficient of 6%) than likelihood maximum classification for the data series used in this study were of higher accuracy. The efficiency of the tree classification with gain ratio splitting to be roughly comparable to the fuzzy Artmap ANN method and this reflects the high efficiency of fuzzy Artmap neural network. Finally, we can say that among three splitting methods used in this study, the gini splitting method with overall accuracies of 6% and 2% and kappa coefficients of 7% and 2% higher than the entropy method respectively has better performance. This study shows tree classification methods have many advantages over the other methods of classification such as fuzzy Artmap artificial neural network and maximum likelihood methods. They are computationally fast (Unlike artificial neural network methods) and make no statistical assumptions regarding the distribution of data (Unlike the maximum likelihood method). As the result, it can be said that, tree classification is a good alternative for other methods of classification.