A hybrid classification method based on fusion of parametric and non-parametric classification algorithms for Landuse/Landcover map in Hirkani Forests

Abstract

تهیه نقشه‌های پوشش اراضی با دقت بالا، همواره یکی از اهداف مهم محققان در زمینه مدیریت اراضی بوده است. هدف از‌این پژوهش، ارائه روش نوینی جهت تهیه نقشه‌های کاربری اراضی با استفاده از پردازش تصاویر ماهواره‌ای بوده است. به همین منظور، از تصاویر ماهواره لندست 8، به عنوان تصویر پایه و نقشه مدل رقومی ارتفاعی (DEM)، داده‌های حاصل از تجزیه به عنوان مولفه‌­های اصلی و شاخص‌های طیفی جهت استخراج نقشه پوشش اراضی در منطقه مطالعاتی استفاده شد. پس از پیش‌پردازش‌ها و آماده‌سازی داده‌های مورد نیاز، اقدام به تهیه نمونه‌های آموزشی شد. در‌این پژوهش، نمونه‌های آموزشی در دو بخش به کار گرفته شدند؛ در بخش اول از آنها به عنوان ورودی، جهت طبقه‌بندی تصویر با الگوریتم‌های نظارت شده، حداکثر احتمال و ماشین بردار پشتیبان استفاده شد. در بخش دوم، به‌منظور طبقه‌بندی با روش درخت تصمیم گیری، از‌ این نمونه‌ها برای تعیین محدوده بازتاب طیفی هر پوشش در طیف امواج الکترومغناطیس (باندهای تصویر، PCA، شاخص‌های طیفی و DEM) استفاده شد. سپس با استفاده از ‌این داده‌ها و شروط دودویی درخت تصمیم‌گیری، هر پوشش مشخص و نقشه پوشش آن استخراج شد. پس از تهیه نقشه‌های ذکر شده، به منظور تلفیق نتایج طبقه‌بندی و حصول دقت بالاتر، از روش حداکثر رای‌گیری به منظور تهیه نقشه تلفیقی جدید پوشش اراضی منطقه استفاده شد. همچنین به منظور ارزیابی دقت نقشه‌های تولیدی، از پارامترهای آماری منتج از ماتریس ابهام شامل دقت کلی، ضریب کاپا، دقت کاربر و دقت تولیدکننده استفاده شد. بر اساس نتایج حاصله، روش تلفیقی با دقت کلی 37/93 درصد و ضریب کاپا 91/0 دارای بیشترین دقت بوده است. دقت کلی نقشه پوشش روش درخت تصمیم‌گیری، ماشین بردار پشتیبان و حداکثر احتمال نیز به ترتیب 61/89، 01/88 و 6/87 درصد بوده‌اند. با توجه به‌اینکه در طبیعت پوشش خالص، به ندرت مشاهده می‌شود و بیشتر پوشش‌ها به صورت ترکیبی وجود دارند، لذا بهتر است از روش‌های نوینی که همه ابعاد پدیده‌ها را پوشش می‌دهند استفاده شود. در‌این پژوهش، اطلاعات حاصل از طبقه‌بندی نظارت شده و همچنین اطلاعات حاصل از روش منطقی درخت تصمیم‌گیری با یکدیگر تلفیق شده و نتایج حاصله به خوبی، بیانگر بهبود دقت نهایی طبقه‌بندی بودند.