مقایسه دقت انواع روش های طبقه بندی برای تهیه نقشه کاربری اراضی (مطالعه موردی: شهر رضوانشهر)
آرشیو
چکیده
با توسعه روش های گوناگون در زمینه طبقه بندی تصاویر ماهواره ای و آشکارسازی تغییرات به ویژه در دهه های اخیر انتخاب بهترین و صحیح ترین روش برای تهیه نقشه کاربری و پوشش اراضی در مناطق مختلف رشد روزافزونی داشته است. هدف اصلی این پژوهش مقایسه دقت انواع روش های طبقه بندی برای تهیه نقشه کاربری اراضی در شهر رضوانشهر می باشد. بدین منظور هفت کلاس کاربری اراضی در شهر رضوانشهر (شامل مراتع، مناطق مسکونی، جاده، زمین های زراعی، رودخانه، مناطق ساحلی و جنگل) با استفاده از تصاویر ماهواره ای تعیین شدند. سپس نمونه های آموزشی از سطح منطقه با استفاده از تصاویر ماهواره ای، تصاویر گوگل ارث و بازدید میدانی جمع آوری شد. در مرحله بعد با استفاده از ویژگی های تصاویر کلاس های کاربری اراضی در محدوده مورد مطالعه تعیین و پس از مشخص نمودن میزان تفکیک پذیری کلاس ها طبقه بندی به صورت حداکثراحتمال (MLC)، ماشین بردار پشتیبان(SVM)، حداقل میانگین فاصله (MD) انجام شد. نتایج ارزیابی این سه روش نشان داد که روش ماشین بردار پشتیبان نسبت به روش های دیگر از دقت بیش تری (صحت کلی 60/92 ضریب کاپا 87/0 برای سال 2000 و صحت کلی 16/97 و ضریب کاپای 93/0 برای سال 2022) برخوردار است. بنابراین از نتایج این پژوهش می توان برای تهیه نقشه کاربری اراضی با دقت بالاتر با استفاده از روش ماشین بردار پشتیبان در کارهای ارزیابی محیط زیست و منابع طبیعی در مناطق با شرایط مشابه استفاده نمود.Comparing the accuracy of various classification methods for preparing land use maps (case study: Razvanshahr city)
With the development of various methods in the field of classification of satellite images and the detection of changes, especially in recent decades, the selection of the best and most correct method for preparing land use and land cover maps in different regions has grown day by day. The main goal of this research is to compare the accuracy of various classification methods for preparing land use maps in Razvanshahr city. For this purpose, seven land use classes in Razvanshahr city (including pastures, residential areas, roads, agricultural lands, rivers, coastal areas and forests) were determined using satellite images. Then, educational samples were collected from the region using satellite images, Google Earth images and field visits. In the next step, by using the characteristics of the images, the land use classes in the study area were determined and after determining the resolution of the classes, the classification was done using maximum likelihood (MLC), support vector machine (SVM), and minimum mean distance (MD). The evaluation results of these three methods showed that the machine vector method has more accuracy than other methods (overall accuracy 92.60, kappa coefficient 0.87 for the year 2000 and overall accuracy 97.16 and kappa coefficient 0.93 for 2022). . Therefore, the results of this research can be used to prepare a land use map with higher accuracy by using the support vector method in environmental and natural resource assessment works in areas with similar conditions.
تبلیغات
