مقايسه روش‌هاي طبقه‌بندي ماشين بردار پشتيبان و شبكه عصبي مصنوعي در استخراج كاربري‌هاي اراضي از تصاوير ماهواره‌اي لندست TM

Comparison of Support Vector Machine and Neural Network Classification Methods in Land Use Information Extraction through Landsat TM Data

طبقه‌بندي و تهيه نقشه كاربري‌هاي اراضي يكي از پركاربردترين موارد در استفاده از داده‌هاي سنجش از دور است. تعدادي از روش‌هاي پيشرفته‌تر طبقه‌بندي در دهه‌هاي گذشته توسعه پيداكرده‌اند كه از آنها مي‌توان به شبكه‌هاي عصبي مصنوعي و ماشين بردار پشتيبان اشاره كرد. در اين مطالعه از تصاوير لندستTM باقدرت تفكيك 30 متر جهت استخراج كاربري‌هاي اراضي با استفاده از دو روش طبقه‌بندي شبكه عصبي مصنوعي و ماشين بردار پشتيبان اقدام شد. نتايج، دقت بالاي طبقه‌بندي‌هاي شبكه عصبي و ماشين بردار پشتيبان با كرنل شعاعي، هر كدام به‌ترتيب با دقت كلي 67/90 و 67/91 درصد را نشان داد. ماشين بردار پشتيبان كلاس‌هايي را كه داراي خصوصيات طيفي مشترك بودند بهتر تفكيك كرد. همچنين در قسمت‌هاي مرزي دو نوع كاربري، ماشين بردار پشتيبان قابليت جداسازي بهتري نسبت به شبكه عصبي داشت و مرز بين دو كلاس ملموس تر بود. با توجه به نتايج گرفته ‌شده، هر دو روش شبكه عصبي و ماشين بردار پشتيبان براي طبقه‌بندي كاربري‌هاي اراضي خوب بوده، اما روش ماشين بردار پشتيبان با اختلاف 1 درصد در دقت كلي و 2درصد در ضريب كاپا بهتر بود. دقت بالاي ماشين بردار پشتيبان مي‌تواند ناشي از مرز تصميم‌گيري بهينه آن باشد درحالي‌كه شبكه عصبي نمي‌تواند اين مرز را ايجاد كند.

Land use classification and mapping mostly use remotely sensed data. During the past decades, several advanced classification methods such as neural network and support vector machine (SVM) have been developed. In the present study, Landsat TM images with 30m spatial resolution were used to classify land uses through two classification methods including support vector machine and neural network. The results showed that SVM and neural network with the total accuracy of 90.67 % and 91.67% are superior. SVM had a better performance in separating classes with similar spectral profiles. In addition, SVM showed a better performance in delineating class borders in comparison with neural network method. In summary, both SVM and neural network showed satisfactory results but the method of support vector machine proved better with a difference of 1% and 2% in overall accuracy and kappa coefficient, respectively. This was an expected outcome because SVMs are designed to locate an optimal separating hyperplane, while ANNs may not be able to locate this separating hyperplane.