fa مقایسه روش‌های طبقه‌بندی‌کننده حداکثر مشابهت و حداقل فاصله از میانگین در تهیه نقشه پوشش اراضی (مطالعه موردی: استان اصفهان) عمومی Ggeneral پژوهشي Research نقشه‌های پوشش اراضی حاصل از تصاویر ماهواره‌ای نقش مهمی در ارزیابی‌های منطقه‌ای و ملی پوشش اراضی ایفا می‌کنند. به منظور مقایسه روش‌های طبقه‌بندی‌کننده حداکثر مشابهت و حداقل فاصله از میانگین در تهیه نقشه پوشش اراضی از داده‌های سنجندهLISS-III ماهواره IRS-P6 در بخش غربی شهر اصفهان، مربوط به تاریخ 18مرداد 1387 استفاده گردید. ابتدا تصویر LISS-III با خطای جذر میانگین مربعات کمتر از یک پیکسل زمین مرجع شد. پس از تهیه تصویر رنگی و محاسبه شاخص واگرایی نمونه‌های تعلیمی، طبقه‌بندی تصویر با استفاده از الگوریتم‌های حداکثر مشابهت و حداقل فاصله از میانگین انجام شد و 6 کلاس رودخانه، اراضی بایر، اراضی کشاورزی، مناطق شهری، اتوبان و برون‌زدگی سنگی استخراج شد. نتایج طبقه‌بندی نشان داد کلاس مناطق شهری پوشش غالب در منطقه بوده و 1/6821 هکتار از منطقه معادل 9/38 درصد را به خود اختصاص می‌دهد. بررسی صحت روش‌ها براساس ضریب کاپا و صحت کلی، با استفاده از تجزیه و تحلیل ماتریس خطا صورت گرفت. بر طبق نتایج به دست آمده، صحت کلی برای طبقه‌بندی کننده حداکثر مشابهت 9/94 درصد و حداقل فاصله از میانگین 2/85 درصد می‌باشد. نتایج نشان می‌دهد که طبقه‌بندی کننده حداکثر مشابهت نسبت به روش حداقل فاصله از میانگین برتری دارد. Land cover maps derived from satellite images play a key role in regional and national land cover assessments. In order to compare maximum likelihood and minimum distance to mean classifiers, LISS-III images from IRS-P6 satellite were acquired in August 2008 from the western part of Isfahan. First, the LISS-III image was georeferenced. The Root Mean Square error of less than one pixel was the result of registration. After creating false color composite and calculating transformed divergence index, the images were classified using maximum likelihood and minimum distance to mean classifiers into six categories including river, bare land, agricultural land, urban area, highway and rocky outcrops. The results of classification showed that the dominant land cover type is urban area, occupying about 6821.1 ha representing 38.86% of total area. The accuracy of maximum likelihood and minimum distance to mean classifiers was obtained using error matrix and Kappa analysis. According to the results, the maximum likelihood algorithm had an overall accuracy of 94.93% and the minimum distance to mean method was 85.25% accurate. The results illustrate that the maximum likelihood method is superior to minimum distance to mean classifier. سنجش از دور، پوشش اراضی، LISS-III ، طبقه‌بندی‌کننده حداکثر مشابهت، طبقه‌بندی‌کننده حداقل فاصله از میانگین Remote sensing, Land cover, LISS-III, Maximum likelihood classifier, Minimum distance to mean classifier 253 264 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1917-1&slc_lang=fa&sid=1 A. Soffianian علیرضا سفیانیان No M. A. Madanian ملیحه السادات مدنیان m.madanian@na.iut.ac.ir Yes