ارزيابي كارايي سه الگوريتم ماشين بردار پشتيبان، درخت تصميم گيري و شبكه عصبي مصنوعي آرتمپ فازي در تهيه نقشه اراضي جنگلي (مطالعه موردي: جنگل هاي شمال استان ايلام)

Land Cover Mapping in Zagros forests using satellite images (Case study: Northen Ilam Forests)

طبقه بندي پوشش زمين با استفاده از تصاوير ماهواره اي يكي از مهم ترين كاربرد هاي سنجش از دور است و الگوريتم هاي زيادي براي اين منظور توسعه يافته اند. هدف از اين تحقيق ارزيابي كارايي سه الگوريتم ماشين بردار پشتيبان، درخت تصميم گيري و شبكه عصبي مصنوعي فازي آرتمپ جهت تهيه نقشه اراضي جنگلي شمال استان ايلام با استفاده از تصوير سنجنده LissIII مربوط به سال 2007 مي باشد. در اين تحقيق پس از تصحيح هندسي تصاوير و پيش پردازش هاي صورت گرفته، اقدام به تعيين نمونه هاي تعليمي مربوط به طبقات پوشش زمين براي انجام عمليات طبقه بندي شد و ارزيابي تفكيك پذيري نمونه ها در هر كدام از طبقات پوشش زمين با استفاده از شاخص آماري واگرايي تعيين شد. در مرحله بعد، به منظور ارزيابي صحت نتايج طبقه بندي هر كدام از الگوريتم ها، نقشه واقعيت زميني با استفاده از روش سيستماتيك به ابعاد 550 متري در منطقه مورد مطالعه طراحي و نوع پوشش زميني آن ها در محل نمونه ها مشخص گرديد. در نهايت، كارايي هر كدام از روش هاي طبقه بندي با استفاده از معيارهاي صحت كلي، ضريب كاپا، صحت توليدكننده و صحت كاربر مورد بررسي قرار گرفت. مقايسه صحت هاي كلي و ضريب كاپاي كسب شده براي سه طبقه بندي كننده با مجموعه باندي مناسب در مقايسه با نقشه واقعيت زميني بيانگر اين بود كه طبقه بندي كننده ماشين بردار پشتيبان با مقدار صحت كلي 36/94 درصد و ضريب كاپاي 21/90 درصد نتايج مطلوب تري نسبت به ساير الگوريتم ها دارد. نتايج نشان داد كه تفكيك و طبقه بندي اراضي جنگلي از ساير طبقات كاربري منطقه با صحت بالا صورت گرفته است.

Land use classification using remotely sensed images is one of the most common applications in remote sensing, and many algorithms have been developed and applied for this purpose in the literature. The Objective of this research is to assess the ability of three algorithms, Support Vector Machine (SVM), Classification Tree (DT) and Fuzzy Artmap (FA) for forest land mapping in Northern forests of Ilam province using LissIII dataset of the year 2007. These algorithms are a group of supervised classification algorithms that have been recently used in remote sensing. Geometric and radiometric corrections were performed on LissIII dataset. Then, through field surveys, the land cover classes were defined and training areas were selected. The best spectral bands were selected using class signatures and the transformed divergence severability index. Supervised classification of classes was accomplished using SVM, DT and FA classifiers. The results were assessed using sample ground truth map through systematic networks of 550 meter distances. The results showed that forest lands were more easily separated from the other land cover classes. While comparing the overall accuracy and kappa coefficient for the three classifiers, results showed that the Support Vector Machine classifier exhibited the highest overall accuracy (94%) and kappa coefficient (91%). Keywords: forest lands, LissIII, accuracy assessment, supervised classification, Zagros Forests