برای مطالعه سطح زمین با تصاویر ماهواره ای، طبقه بندی و تشخیص درست پیکسل های ابری امری ضروری به شمار می آید. از میان روش های طبقه بندی موجود می توان به مدل های شبکه عصبی و درخت تصمیم در داده کاوی اشاره کرد که الگوریتم های متعددی از این دو دسته مدل، شکل گرفته و توسعه یافته اند. به منظور ارزیابی دقت این مدل ها در طبقه بندی و انتخاب بهترین آنها، یازده الگوریتم از این دو دسته مدل ارزیابی شدند. بدین منظور با انتخاب 40000 پیکسل با ویژگی های مناطق ابری، صاف، برفی و آب در چهار کلاس از تصاویر کالیبره شده ماهواره نوآ بر روی گستره ایران در فصول مختلف سال و با استخراج اطلاعات پنج باند نوآ محاسبه نسبت های باندی NDVI، نسبت بازتابندگی باند یک به بازتابندگی باند دو و اختلاف دمای درخشندگی باند پنج با دمای درخشندگی باند چهار و معرفی آنها به عنوان متغیرهای ورودی، دقت هر یک از الگوریتم ها در طبقه بندی این کلاس ها مقایسه شد. زمان اجرای سریع الگوریتم های درخت تصمیم در مقایسه با اجرای کندتر الگوریتم های شبکه عصبی و شفاف بودن تصمیمات گرفته شده در مدل های درخت تصمیم از مزایای این دسته مدل های طبقه بندی است. در نهایت بعد از تشکیل ماتریس تطابق که تعداد درستی و خطا در طبقه بندی پیکسل ها را نشان می دهد، مشخص شد که در بین یازده الگوریتم مورد مقایسه، الگوریتم درخت تصمیم C5، با 43 مورد خطا در تشخیص پیکسل های ابری، با دقتی معادل 56/99 درصد دارای بهترین دقت در طبقه بندی است. نیز با توجه به مزایای ذکر شده برای این دسته مدل های طبقه بندی، C5 مناسب ترین الگوریتم برای طبقه بندی پیکسل های ماهواره ای و تشخیص پیکسل های ابری شناخته شد.
