ارزیابی روشهای طبقه بندی شی ءگرا و پیکسل مبنا جهت تشخیص نوع کاربری اراضی با استفاده از تصاویر پهپاد

در چند دهه اخیر، رشد روزافزون جمعیت و به دنبال آن تقاضا برای شهرنشینی در راستای بهره مندی از خدمات شهری باعث ایجاد تغییر در سامانه مدیریت شهری شده است . یکی از مسائل مهم در این زمینه آگاهی مستمر مسئولان شهری در رابطه با نوع پوشش اراضی شهرها است . برداشت میدانی نوع پوشش زمین بسیار زمانبر و پرهزینه است و از طرفی نیاز به افراد زیادی برای برداشت وجود دارد استفاده از روشهای سنجش از دوری به دلیل گستره وسیع برداشت ، قابلیت تکرار، کاهش هزینه و سرعت آن کاربردی تر می باشد . یکی از رویکردهای اصلی برای استخراج اطلاعات پوشش زمین ، طبقه بندی تصاویر ماهواره ای و پهپادی سنجش از دوری است . هدف اصلی این مقاله مقایسه روشهای مختلف طبقه بندی پیکسل مبنا و شی ءگرا و الگوریتم های مختلف آنها برای طبقه بندی پوشش اراضی با استفاده از تصاویر پهبادی (دارای ۳ باند اصلی قرمز، سبز و آبی ((RGB) است . نتایج تحقیق نشان دادند که روشهای ماشین بردار پشتیبان (SVM) با دقت کلی ۷۶.۸۹ درصد و ضریب کاپا ۸۶/۰ و حداکثر احتمال (ML) با دقت کلی ۳۸/۸۹ درصد و ضریب کاپا ۸۶/۰ بیشترین دقت را در طبقه بندی های پیکسل مبنا داشتند. در طبقه بندی شی ءگرا روش کی -نزدیک ترین همسایه (KNN) با دقت کلی ۷۷/۹۶ درصد و ضریب کاپا ۹۶/۰ دارای بالاترین دقت نسبت به ساییر روشها بود. به طورکلی براساس تحقیقات انجام شده در زمینه مقایسه طبقه بندی پیکسل مبنا و شی ءگرا برای شناخت پوشش اراضی برمبنای دو شاخص دقت کلی و ضریب کاپا می توان اینگونه بیان کرد که روش کی -نزدیک ترین همسایه (KNN) از طبقه بندی شی ءگرا از دقت و صحت مناسب تری در این زمینه برخوردار است .