ارزیابی و مقایسه روشهای ماشین بردار پشتیبان با کرنلهای خطی، چند جملهای و پایه شعاعی با شبکه عصبی مصنوعی جهت طبقهبندی کاربری اراضی

طبقه‌بندی تصویر همیشه یکی از موضوعات مهم در سنجش از دور است که اطلاعات بدست آمده در زمینه طبقه‌بندی تصویر به‌طور گسترده‌ای در برنامه‌های کاربردی دیگر مانند برنامه‌ریزی شهری، مدیریت منابع طبیعی، کشاورزی و غیره استفاده می‌شود. از آنجا که هدف اصلي از پردازش تصاوير ماهواره‏اي، تهيه نقشه‏هاي موضوعي و کارآمد مي‏باشد، از این‌رو انتخاب الگوريتم مناسب طبقه‏بندي نقش زيادي را در اين امر ايفا مي‏کند. اين مطالعه کارايي الگوريتم‏هاي ماشين بردار پشتيبان (SVMs) را در طبقه‏بندي تصاوير ماهواره‏اي مورد بررسي و آن را با الگوریتم شبکه عصبی مصنوعی مورد مقایسه قرار مي‏دهد. ماشين‏هاي بردار پشتيبان يک گروه از الگوريتم‏هاي طبقه‏بندي نظارت شده يادگيري ماشيني هستند که در زمينه سنجش از دور مورد استفاده قرار گرفته‌اند. در اين مطالعه، الگوريتم‌هاي SVM براي طبقه‏بندي کاربري اراضي منطقه میمه با استفاده از داده‏هاي ETM + لندست مورد استفاده قرار گرفته است. طبقه‏بندي با استفاده از روش ماشين‏هاي بردار پشتيبان، بصورت خودکار و با استفاده از سه نوع کرنل خطي، چند جمله‏اي و شعاعي اجرا شده است. در ضمن، کارکرد اين روش با روش طبقه‏بندي شبکه عصبی مصنوعی مقايسه شده است. نتايج نشان مي‏دهد که میانگین دقت کل و ضريب کاپا الگوريتم‏هاي SVM شامل کرنل خطي، چند جمله‏اي و شعاعي نسبت به روش طبقه‏بندي شبکه عصبی مصنوعی از نظر دقت کل (حدود 9%) و ضريب کاپا (حدود 12%) برتري دارد. بنابراين اين مطالعه کارايي و قابليت الگوريتم‏هاي SVM را در طبقه‏بندي تصاوير سنجش از دور اثبات مي‌کند.