نوع مقاله : مقاله پژوهشی
نویسندگان
1 عضو هیئت علمی دانشگاه شهید چمران اهواز
2 دانشجوی کارشناسی ارشد جغرافیا و برنامه ریزی روستایی دانشگاه شهید چمران اهواز
3 کارشناس ارشد جغرافیا و برنامه ریزی شهری دانشگاه شهید چمران اهواز
چکیده
امروزه دادههای سنجش از دور قادر به ارائه جدیدترین اطلاعات برای مطالعه پوشش زمین و کاربریهای اراضی میباشند. این تصاویر به دلیل ارائه اطلاعات به هنگام، تنوع اشکال، رقومی بودن و امکان پردازش در تهیه نقشههای کاربری از اهمیت بالایی برخوردارند. مشخص کردن پوشش اراضی کمک شایانی به مدیران مناطق جهت تصمیمگیری میکند. در این راستا هدف از انجام این پژوهش مقایسه کارآیی روشهای پارامتریک (کمترین فاصله و جعبهای) و ناپارامتریک (ماشین بردار پشتیبان) در طبقهبندی پوشش اراضی با استفاده از تصاویر ماهوارهای لندست 8 در بخشی از شهرستان دزفول میباشد. ماهیت این پژوهش توسعهای-کاربردی و روش انجام آن توصیفی-تحلیلی بوده است. بدینمنظور دادههای ماهوارهای شامل تصاویر ماهوارهای لندست 8 (13/8/2013) تهیه گردید، و با استفاده از نرم افزار ENVI آمادهسازی و مورد تجزیه و تحلیل قرار گرفته است. میزان کارآیی هر روش طبقهبندی با محاسبه دو شاخص صحت کلی و ضریب کاپا بررسی گردید.نتایج مقایسه روشهای مورد استفاده در پژوهش نشان داد الگوریتم SVM به ویژه سه کرنل خطی، شعاعی و چند جملهای نسبت به روشهای پارامتریک به ترتیب با 15/97% ، 89/95%و 63/95% از دقت مطلوبتری برخوردار هستند.این مطالعه کارآیی و قابلیت مطلوبتر الگوریتمهای SVM را در طبقهبندی تصاویر سنجش از دور در مقایسه با روشهای پارامتریک تأیید مینماید.
کلیدواژهها
عنوان مقاله [English]
Comparing the Performance of Parametric and NonparametricMethods in Land Cover Classification using Landsat-8 Satellite Images (Case study: A part of Dezful city)
نویسندگان [English]
- Ali Shojaeeian 1
- Sadegh Mokhtari Chelche 2
- Leila Keshtkar 3
- Esmaeil Soleymani rad 3
1 Assistant professor of Shahid Chamran University
2 Student of Master in geography, rural planning, Shahid Chamran University
3 Student of Master in Geography, Urban planning, Shahid Chamran University
چکیده [English]
Nowadays, remote sensing data is able to provide the latest information for the study of land cover and land uses. These images are of high importancedue to the presentation of timely information, diversity of forms, being digital and the possibility of processing in the preparation of user maps.Determining the land cover will be of great help to the area managers to make decisions. In this regard, the purpose of this researchis to compare the efficiency of parametric (least distant and box) and nonparametric (supporting vector machine) methods in land cover classification by using Landsat 8 satellite images in part of Dezful city. The nature of this research has been developmental-practical and its method has been descriptive-analytical. For this purpose, satellite data including Landsat 8 satellite images (13/8/2013) were prepared and analyzed using ENVI software. The efficiency of each classification method was investigated by calculating the two general accuracy and kappa coefficient. The results of the comparison of the methods used in the research showed that the SVM algorithm, especially the three linear, radial and polynomial kernels, had a better and more desirable accuracy than the parametric methods with 97.15%, 95.89% and 95.63% respectively. This study confirms the efficiency and more desirable capability of SVM algorithms in the classification of remote sensing images compared with parametric methods.
کلیدواژهها [English]
- Classification
- Land cover
- Landsat image
- Support Vector Machine
- the Minimum distance
- Dezful