Comparison of Accuracy Between Support Vector Machine and Random Forest Classifiers for Land Use and Crop Mapping Using Multi-Temporal Sentinel-2 Images

Abstract

نقشه‌های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه‌ریزی صحیح، هرساله مورد نیاز مدیران حوزة کشاورزی، منابع طبیعی و زیست‌محیطی است. روش برداشت میدانی با جی‌پی‌اس (GPS) و نقشه‌برداری زمینی مستلزم صرف زمان و هزینه‌های بسیار است. بنابراین، اغلب از تصاویر ماهواره‌ای، که دارای پوشش سراسری و توالی برداشت، هزینة کم و اطلاعات به‌هنگام‌اند، استفاده می‎شود تا نقشه‌های پوشش/کاربری زمین به‌دست آید. تهیة نقشة دقیق با روش مناسب روز موضوعی کلیدی است. طی سال‌های اخیر، استفاده از تصاویر ماهواره‌ای جدید و روش‌های نوین طبقه‌بندی، به‌ویژه یادگیری ماشین، رشد فزاینده‎ای داشته و کارآیی آنها در تهیة نقشه‌های پوشش/کاربری اراضی بسیار موفقیت‌آمیز بوده است. یکی دیگر از مزایای تصاویر ماهواره‌ای برداشت‌های متوالی است و براساس آن، می‌توان از تغییرات پوشش گیاهی در طول زمان، برای تفکیک نوع پوشش، استفاده کرد. ماهوارة سنتینل-2، با امتیاز پیکسل 10متری، یکی از ابزارهای مناسب برای تفکیک نوع پوشش محسوب می‌شود. در این تحقیق، برای تفکیک انواع کاربری اراضی و محصولات زراعی دشت سنجابی روانسر، از تصاویر چندزمانة سنتینل-2 و روش‌های طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدین‌منظور، پس از نمونه‌برداری، تحلیل مؤلفه‌های اصلی برای چهار تاریخ دورة رشد محصولات اجرا شد و باندهای PC1، PC2 و PC3 تصاویر با هم ترکیب شدند. دو روش روی ترکیب باند‌های PC1، PC2 و PC3 تصاویر و نمونه‌های تعلیمی اعمال شدند. ارزیابی دقت‌ها نشان داد ماشین بردار پشتیبان، با صحت کلی 91.36% و ضریب کاپای 0.8927، نقشة کاربری اراضی و محصولات دقیق‌تری، در قیاس با روش جنگل تصادفی، تولید می‌کند.