Journal of Water and Soil Science

fa ارزیابی عملکرد سه روش‌ طبقه‌بندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و بیشترین شباهت) در تهیه نقشه کاربری اراضی Performance Evaluation of Three Image Classification Methods (Random Forest, Support Vector Machine and the Maximum Likelihood) in Land Use Mapping عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">نقشه‌های کاربری/ پوشش اراضی ورودی پایه برای بسیاری از مدل‌های شبیه‌سازی محیط طبیعی است؛ بنابراین، صحت نقشه‌های حاصل از طبقه‌بندی تصاویر ماهواره‌ای، عدم قطعیت را در مدل‌سازی کاهش می‌دهد. .<a name="OLE_LINK14">این مطالعه با هدف ارزیابی صحت نقشه‌های کاربری اراضی تولید شده توسط روش‌های طبقه‌بندی مبتنی بر یادگیری ماشین (الگوریتم جنگل تصادفی و ماشین بردار پشتیبان) و مقایسه آن با روش متداول بیشترین شباهت انجام شد. </a>بدین منظور تصویر سنجنده OLI ماهواره لندست 8، مربوط به منطقه مورد مطالعه (حوضه سد ستارخان در آذربایجان شرقی)، پس از انجام تصحیحات اولیه، مورد استفاده قرار گرفت. پنج کاربری شهر، کشاورزی آبی، کشاورزی دیم، مرتع و پهنه آبی مورد توجه قرار گرفت. داده‌های واقعیت زمینی در قالب دو مجموعه داده‌های تعلیمی (70 درصد از نمونه‌ها) و داده‌های آزمون (30 درصد) برای انجام طبقه‌بندی نظارت شده استفاده شد. صحت نقشه‌های حاصل از سه الگوریتم، با استفاده از شاخص‌های ارزیابی صحت مورد مقایسه قرار گرفت. همچنین به‌منظور بررسی اختلاف معنادار آماری میان نتایج طبقه‌بندی از آزمون مک- نمار استفاده شد. نتایج نشان داد، صحت کل برای روش ماشین بردار پشتیبان، جنگل تصادفی و بیشترین شباهت به‌ترتیب برابر با 6/96، 8/90 و 8/90 درصد و ضریب کاپا به‌ترتیب 934/0، 813/0 و 834/0 بوده است. نتایج آزمون مک- نمار نیز معناداری اختلاف عملکرد در سطح پنج درصد آماری روش ماشین بردار پشتیبان با دو روش دیگر را تأیید کرد.</div> <div style="text-align: justify;">Land use/cover maps are the basic inputs for most of the environmental simulation models; hence, the accuracy of the maps derived from the classification of the satellite images reduces the uncertainty in modeling. The aim of this study was to assess the accuracy of the maps produced by machine learning based on classification methods (Random Forest and Support Vector Machine) and to compare them with a common classification method (Maximum Likelihood). For this purpose, the image of the OLI sensor of Landsat 8 for the study area (Sattarkhan Dam’s basin in the Eastern Azerbaijan) was used after the initial corrections. Five land uses including urban, irrigated and rain-fed agriculture, range and water body were considered. For conducting the supervised classification, ground truth data were used in two sets of educational (70% of the total) and test (30%) data. <a name="OLE_LINK1">Accuracy indexes </a>were used and the McNemar test was employed to show the significant statistical difference between the performances of the methods. The results indicates that the overall accuracy of Support Vector Machine, Random Forest, and Maximum Likelihood methods was 96.6, 90.8, and 90.8 %, respectively; also the Kappa coefficient for these methods was 0.93, 0.81 and 0.83, respectively. The <a name="OLE_LINK3">existence</a> of a significant statistical difference at the 95% confidence between the performances of the Support Vector Machine algorithm and the other two algorithms was confirmed by the McNemar test.</div> یادگیری ماشین, طبقه‌بند ناپارامتری, آزمون مک- نمار, الگوریتم جنگل تصادفی Machine learning, Non-parametric classifier, McNemar test, Random forest algorithm 235 247 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3426-3&slc_lang=fa&sid=1 F. Jahanbakhshi فرشید جهانبخشی farshid_jahanbakhshi@yahoo.com No 1. Department of Watershed Management, Faculty of Natural Resources, Yazd University, Yazd, Iran. 1. گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه یزد، یزد M. R. Ekhtesasi محمدرضا اختصاصی mr_ekhtesasi@yahoo.com Yes 1. Department of Watershed Management, Faculty of Natural Resources, Yazd University, Yazd, Iran. 1. گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه یزد، یزد