بررسي قابليت باندهاي حرارتي سنجنده ASTER در افزايش صحت خوارزميك هاي طبقه بندي ماشين بردار پشتيبان و حداكثر احتمال در مناطق بياباني

Assessment of ASTER Thermal Bands Capabilities in Enhancing Accuracy of Support Vector Machine and Maximum Likelihood Classification Algorithms in Arid Regions

داده‌هاي ثبت شده در باندهاي حرارتي ماهواره ها، كاربرد فراواني در بررسي ويژگي هاي حرارتي پديده ها به ويژه در مناطق بياباني دارند. طبقه بندي را مي توان به عنوان مهمترين مرحله استفاده از تصاوير ماهواره اي در نظر گرفت. در اين بررسي با بهره گيري از داده هاي سنجنده ASTER ماهواره TERRA مربوط به تاريخ 22 آگوست 2001 شرق و شمال شرق درياچه نمك كاشان، نقش كمي باندهاي اين سنجنده در افزايش صحت تفكيك پذيري پديده ها در دو الگوريتم حداكثر احتمال (MLK) و ماشين بردار پشتيبان (SVM) مورد بررسي قرار گرفت. به اين منظور پس از تصحيح هايراديومتريك و هندسي، 8 رويكرد با تركيب هاي باندي مختلف به صورت گام به گام براي بررسي نقش كمي هر يك از باندها در افزايش صحت طبقه بندي انتخاب شد و سپس صحت طبقه بندي ها با استفاده از شاخص كاپا، دقت كاربر و دقت توليد كننده مورد ارزيابي قرار گرفت. نتايج خوارزميك هاي (الگوريتم) طبقه بندي نشان داد كه خوارزميك ماشين بردار پشتيبان نسبت به خوارزميك حداكثر احتمال، نتايج به نسبتً بهتري ارائه مي دهد. به طور كلي بهره گيري از تمامي باندهاي طيفي و حرارتي (مجموع 14 باند) بيشتري صحت كاپا را براي هر دو خوارزميك ماشين بردار پشتيبان (83.04) و حداكثر احتمال (82/90) نشان داد. در حاليكه با حذف كلية باندهاي حرارتي (باند 10، 11، 13،12و 14) صحت كاپا در هردو خوارزميك 15 درصد تقليل يافت. در خوارزميك حداكثر احتمال، بيشترين تاثير در افزايش صحت شاخص كاپا را باند 14 حرارتي (بين 8 الي 10 درصد) و درخوارزميك ماشين بردار پشتيبان باندهاي10 و 14( 7 درصد) دارا بودند. به طور كلي نتايج نشان داد كه سنجنده ASTER به دليل ثبت دامنه طيفي گسترده در طول موج هاي مادون قرمزحرارتي قابليت بسيار زيادي در افزايش ضريب صحت كاپاي طبقه بندي دارد.

Data recorded in the thermal band satellites, are commonly used in the thermal characteristics of different phenomena, especially in desert areas. Classification is one of the most important steps in the use of satellite imagery. In this study, using ASTER data TERRA satellite on 22 August 2001, East and North East Kashan Salt Lake, were studied to find the role of quantity bands of this sensor to increase the resolution accuracy of phenomena in the maximum likelihood (MLK) and support vector machine (SVM). For this purpose, after the initial radiometric and geometric corrections, eight approaches were chosen with different band combinations step by step in order to investigate the quantitative role of each band to increase the classification accuracy and then the classification accuracy using Kappa index, user and producer accuracy were evaluated. The classification algorithm results showed that the support vector machine algorithm rather than maximum likelihood algorithm has slightly better results. Generally, the use of all spectral and thermal bands (14 bands) had a highest accuracy for both Kappa support vector machine algorithm (83.04) and maximum likelihood (90.82). While the Kappa accuracy by 15% in both algorithm with elimination of all thermal bands (bands 10, 11, 13.12 and 14) was reduced. The maximum likelihood algorithm had the greatest impact on increasing the accuracy of Kappa index bands of thermal 14 (between 8 to 10 percent) and in the support vector machine algorithm bands of 10 and 14 (7%). Finally, it was proven that ASTER sensor due to wide spectrum range in the wavelengths of thermal infrared has very high potential in increasing accuracy coefficient of classification Kappa.