کاربرد ماشین‌های بردار پشتیبان برای تهیۀ نقشۀ پوشش/ کاربری اراضی از تصاویر ماهوارۀ لندست

آب و خاک

مقاله 11، دوره 32، شماره 6 - شماره پیاپی 62، بهمن 1397، صفحه 1179-1190   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v32i6.72967

نویسندگان

محمد علی محمودی^* ؛ سهیلا مومینی؛ مسعود داوری

دانشگاه کردستان

چکیده

آگاهی از وضعیت پوشش زمین و نوع کاربری­های آن برای بسیاری از مطالعات زیست­ محیطی، تغییرات اقلیمی و مدیریت منابع خاک و آب ضروری است. امروزه به­طور فزاینده­ای از اطلاعات سنجش از دور، که از ماهواره­ها بدست می­آیند، برای تهیۀ نقشۀ پوشش/کاربری اراضی استفاده می­شود. هدف از این مطالعه بررسی کارایی ماشین­های بردار پشتیبان برای طبقه­بندی تصاویر ماهوارۀ لندست 8 به منظور تهیۀ نقشه­های پوشش/کاربری اراضی حوضه آبخیز سد گاوشان در غرب ایران با مساحتی در حدود 206 هزار هکتار و نیز مقایسۀ آن با شبکه­های عصبی مصنوعی بود. بدین­منظور از 1320 نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. برای ترکیب ماشین­های بردار پشتیبان دودویی برای طبقه­بندی چند کلاسه از استراتژی­های یک در مقابل یک، یک در مقابل همه و ترتیبی استفاده شد. همچنین در هر استراتژی کرنل­های مختلف خطی، چند جمله­ای و شعاعی بکار گرفته شد. بر این اساس در بین مدل­های مختلف ایجاد شده بهترین عملکرد بر اساس روش یک در مقابل یک و تابع کرنل چند جمله­ای درجۀ سه به­دست آمد. آزمون مک­نمار نشان داد که کارایی مدل به­دست امده با صحت کلی 5/89 درصد و شاخص کاپای 9/84 به­طور معنی­داری از شبکه­های عصبی مصنوعی بالاتر است (001/0>P). نتایج این مطالعه نشان می­دهد که ماشین­های بردار پشتیبان در مقایسه با شبکه­های عصبی مصنوعی از کارایی بالاتری برای طبقه­بندی تصاویر ماهواره­ای برخوردارند؛ با اینحال صحت آنها به­طور قابل ملاحظه­ای متأثر از الگوی ترکیب ماشین­ها و نوع تابع کرنل می­باشد.

کلیدواژه‌ها

طبقه بندی تصویر؛ ماشین بردار پشتیبان؛ ماهوارة لندست

مراجع

1. Allwein E., Schapire R., and Singer Y. 2000. Reducing multiclass to binary: A unifying approach for margin classifiers. Journal of Machine Learning Research, 1:113–141.

2. Atkinson P.M., and Tatnall A.R.L. 1997. Neural networks in remote sensing. International Journal of Remote Sensing, 18:699–709.

3. Bishap C.M. 1995. Neural networks for pattern recogniation. Oxford University Press, Oxford.

4. Congalton R.G. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37:35-46.

5. Cortes C., and Vapnik V. 1995. Support-vector networks. Machine learning, 20:273-297.

6. De Leeuw J., Jia H., Yang L., Liu X., Schmidt K., Skidmore A.K. 2006. Comparing accuracy assessments to infer superiority of image classification methods. International Journal of Remote Sensing, 27:223-232.

7. Fisher P.F., Comber A.J., and Wadsworth R.A. 2005. Land use and land cover: contradiction or complement. p. 85–98. In Fisher P. and Unwin D. (ed.) Re-Presenting GIS. Wiley, Chichester.

8. Gualtieri J.A., and Cromp R.F. 1998. Support vector machines for hyperspectral remote sensing classification. p. 221–232. In Proceedings of the 27th AIPR Workshop:Advances in Computer Assisted Recognition, 27 Oct. 1998. SPIE, Washington, DC, USA.

9. Hall F.G., Townshend J.R., and Engman E.T. 1995. Status of remote sensing algorithms for estimation of land surface state parameters. Remote Sensing of Environment, 51:138–156.

10. Huang C., Davis L.S., Townshend J.R.G. 2002. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23:725-749.

11. Joachims T. 1998. Text categorization with support vector machines learning with many relevant features. p. 137–142. In Proceedings of European Conference on Machine Learning, April 10, 1998. Chemnitz, Germany.

12. Lippman R.P. 1987. An introduction to computing with neural nets. IEEE ASSP Magazine, 4:2–22.

13. Mather P.M. 2001. Computer Processing of Remotely-Sensed images: An Introduction. John Wiley & Sons, New York.

14. Mathur A., Foody G.M. 2008. Crop classification by support vector machine with intelligently selected training data for an operational application. International Journal of Remote Sensing, 29:2227-2240.

15. Otukei J.R., Blaschke T. 2010. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. International Journal of Applied Earth Observation and Geoinformation, 12 (1):27-31.

16. Pal M., Mather P.M. 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26:1007-1011.

17. Paola J.D., and Schowengerdt R.A. 1995. A review and analysis of backpropagation neural networks for classification of remotely sensed multi-spectral imagery. International Journal of Remote Sensing, 16:3033-3058.

18. Sellers P.J., Meeson B.W., Hall F.G., Asrar G., Murphy R.E., Schiffer R.A., Bretherton F.P., Dickinson R.E., Ellingson R.G., Field C.B., Huemmrich K.F., Justice C.O., Melack J.M., Roulet N.T., Schimel D.S., Try P.D. 1995. Remote sensing of the land surface for studies of global change: models-algorithms-experiments. Remote Sensing of Environment, 51:3–26.

19. Sudheer K.P., Gowda P., Chaubey I. and Howell T. 2010. Artificial neural network approach for mapping contrasting tillage practices. Remote Sensing, 2(2):579-590.

20. Townshend J.R.G. 1992. Land cover. International Journal of Remote Sensing, 13:1319–1328.

21. Vapnik V.N. 1995. The Nature of Statistical Learning Theory. Springer-Verlag, New York.