نوع مقاله : مقاله پژوهشی

نویسندگان

• صالح آرخی ¹
• مصطفی ادیب نژاد ²

¹ استادیار، گروه منابع طبیعی، دانشکده کشاورزی، دانشگاه ایلام

² کارشناس جنگل‌داری، دانشکده کشاورزی گنبد، دانشگاه علوم کشاورزی و منابع طبیعیگرگان

چکیده

طبقه‏بندی کاربری اراضی با استفاده از تصاویر سنجش از دور یکی از مهمترین کاربردهای سنجش از دور است و بسیاری از الگوریتم‏ها برای این منظور توسعه یافته‏اند. این مطالعه کارایی الگوریتم‏های ماشین بردار پشتیبان[1](SVMs) را در طبقه‏بندی تصاویر ماهواره‏ای مورد بررسی قرار می‏دهد. ماشین‏های بردار پشتیبان یک گروه از الگوریتم‏های طبقه‏بندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورد استفاده قرار گرفته­اند. دقت طبقه‏بندی حاصل از SVMs باتوجه به نوع تابع کرنل متغیر است. در این مطالعه، الگوریتم­های SVM برای طبقه‏بندی کاربری اراضی حوزه سد ایلام با استفاده از داده‏های ETM⁺ لندست مورد استفاده قرار گرفته است. طبقه‏بندی با استفاده از روش ماشین‏های بردار پشتیبان، بصورت خودکار و با استفاده از چهار نوع کرنل خطی[2]، چندجمله‏ای[3]، شعاعی[4] و حلقوی[5] اجرا شده است. در ضمن، کارکرد این روش با روش طبقه‏بندی حداکثر احتمال مقایسه شده است. نتایج نشان می‏دهد که الگوریتم‏های SVM  خصوصاً سه کرنل خطی، چندجمله‏ای و شعاعی نسبت به روش طبقه‏بندی حداکثر احتمال از نظر دقت کل (حدود 10%) و ضریب کاپا (حدود 15%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتم‏های SVM را در طبقه‏بندی تصاویر سنجش از دور اثبات می‏نماید.
 

کلیدواژه‌ها

• طبقه‏بندی نظارت شده
• کاربری اراضی
• روش حداکثر احتمال
• ماشین‏های بردار پشتیبان
• حوزه سد ایلام

عنوان مقاله [English]

Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment)

نویسندگان [English]

• Saleh Arekhi ¹
• Mostafa Adibnejad ²

چکیده [English]

Land use classification using remotely sensed images is one of the most common applications in remote sensing, and many algorithms have been developed and applied for this purpose in the literature. This study investigates the efficiency of Support Vector Machines algorithms in image classification. Support Vector Machines (SVMs) are a group of supervised classification algorithms of machine learning that have been used in the remote sensing filed. The classification accuracy produced by SVMs may show variation depending on the choice of the kernel function. In this study, SVMs were used for land use classification of Ilam dam catchment using Land sat ETM⁺ data. The classification using SVM method was implemented automatically by using four kernel types, linear, polynomial, radial basis, sigmoid and the results were analyzed thoroughly. Results showed that SVMs, especially with use of radial, polynomial and linear function kernels, outperform the maximum likelihood classifier in terms of overall (about 10%) and kappa coefficient(about 15%) accuracies. So, this study verifies the efficiency and capability of SVMs in classification of remote sensed images.
 

کلیدواژه‌ها [English]

• Supervised Classification
• land use
• Maximum likelihood method
• support vector machines
• Ilam Dam catchment