بررسي عملكرد الگوريتم هاي طبقه بندي كاربري اراضي با استفاده از تكنيك‌هاي ادغام تصاوير (مطالعه موردي: زيرحوزه بهشت آباد)

Investigation of land use classification algorithms using images fusion techniques (Case study: Beheshtabad Sub-basin)

طي چند دهه اخير، تغيير كاربري اراضي تحت اثر عوامل محيطي و انساني سبب بروز اثرات جدي بر محيط زيست، اقتصاد و اجتماع شده است، بنابراين داشتن اطلاع از نوع استفاده از اراضي و تغييرات آن در طي زمان از موارد مهم در برنامه-ريزي و سياست گذاري در كشور است. يكي از كاربردهاي تكنيك‌ تلفيق تصاوير ارايه يك طبقه بندي دقيق تر مي‌باشد كه به عنوان ابزاري نوين در استخراج اطلاعات مكاني مورد استفاده قرار مي گيرد. هدف از ادغام داده ها افزايش كيفيت و محتواي اطلاعات موجود در هر يك از داده‌هاي اوليه است تا به اين وسيله بتوان به استنتاج‌هاي ويژه‌اي دست يافت. در اين تحقيق با استفاده از داده هاي سنجنده OLI ماهواره لندست 8 و استفاده از قابليت‌هاي سنجش از دور و سيستم اطلاعات جغرافيايي، به كمك تكنيك هاي ادغام تصاوير و معيارهاي ارزيابي صحت، عملكرد الگوريتم هاي طبقه-بندي كاربري اراضي مورد مطالعه كه شامل ماشين بردار پشتيبان، بيشترين شباهت و شبكه عصبي مي‌باشد، مورد مقايسه قرار گرفت. نتايج حاصل از ارزيابي كيفيت تصاوير ادغام شده نشان مي‌دهد كه تكنيك Gram-Schmidt بيشترين دقت را در حفظ بيشتر داده‌هاي اوليه و بارزسازي بهتر تصاوير نسبت به سه روش مورد مطالعه دارد. با توجه به طبقه بندي صورت گرفته بر روي اين تصاوير، روش Maximum Likelihood بيشترين تاثير را در افزايش دقت طبقه‌بندي بر روي الگوريتم‌هاي Gram-Schmidt و PC_Sharpened داشته است. به طور كلي افزايش دقت طبقه‌بندي كاربري اراضي با لحاظ تكنيك‌هاي ادغام تصاوير نسبت به طبقه‌بندي صورت گرفته بر روي داده‌هاي چندطيفي اوليه مشاهده مي‌شود.

In recent decades, land use changes cause an important environmental, economical and social damage in the world. Land use classification images are essential tools for land management and policy decisions. Fusion of remote sensing data could increase quality and intensify of data. The main aim of this study was investigated of land use classification algorithms (Support Vector Machine Background, Neural Net, and Maximum Likelihood) using a fusion of OLI remote sensing data using Geographic Information System (GIS). According to the results, Gram-Schmidt method had the best punctuality for taking of the firstly data and rebuilding of images. The results showed that Maximum likelihood method increased accuracy of PC_Sharpened and Gram-Schmidt algorithms. A significant accuracy in land use classification was observed via combination techniques.