چکیده:
نقشة کاربری اراضی یکی از فاکتو ر های اساسی در مطالعات منابع طبیعی و مدیریت محیط زیست می -
باشد. اغلب تهیة نق ش ة کاربری اراضی یک منطقه یکی از پر هزین ه ترین بخش های پروژه های زیست
محیطی و منابع طبیعی اس ت . دادههای ماهواره ای یکی از سری ع ترین و کم هزین ه ترین روش های در
اختیار محققان جهت تهیة نق ش ة کاربری اراضی م ی باشد. در سال های اخیر محققان از روش های مختلفی
نقشه کاربری اراضی را با استفاده از این داد ه ها تهیة کرد ه اند. روشهای مختلفی جهت طبقه بندی
تصاویر ماهواره ای وجود دار د . هر یک از رو ش ها دارای معایب و مزایایی می باشند. تحقیق حاضر با
هدف تعیین بهترین روش طبقه بندی تصاویر سنجنده ETM+ از بین 9 روش طبقه بندی نظارت شده
جهت استخراج نقشه کاربری اراضی شهر نور صورت گرفت . نتایج نشان داد که روش طبقه بندی
ماشین بردار پشتیبان با میانگین ضرایب کلی و کاپا به ترتیب90/94 درصد و 0/9503 نسبت به روش -
های دیگر دارای دقت بالاتری است . اولویت دقت رو ش های 9 گانه به ترتیب به صورت، ماشین بردار
پشتیبان، شبکه عصبی، فاصله ماهالانویی، حداکثر احتمال ، حداقل فاصله از میانگین، نقشه ز اویة طیفی،
واگرایی اطلاعات طیفی، سطوح موازی و در نهایت روش کدهای باینری م ی باشد . از نتایج تحقیق
حاضر می توان با استفاده از روش صحیح طبقه بندی، نقشه کا ر بری اراضی را با دقت بالاتری استخراج
نمود.
Land use mapping is one of the key factors in studies of environment and natural
resources management. Mapping land use is often one of the most expensive parts of
natural resources and environmental projects. Satellite data is one of the fastest and most
cost-effective methods for mapping land use that is available for researchers. In recent
years, researchers from the different methods of land use maps have been produced
using this data. There is the different method to classify the images. Each method has
advantages and disadvantages. This research to determine the best images nine
supervised classification methods to extract land use map of the Noor city by ETM+
sensor. The results showed that the SVM classification by 0.9503 factor kappa
coefficient and 90.94% overall accuracy is better than other methods. The accuracy of
the order of priority 9 that is, SVM, Neural network, Mahalanobis distance, Maximum
likelihood, Minimum distance from the mean, Spectral angle mapper, Spectral
information divergence, parallel piped and binary code. All the research results of this
study can be using the correct classification. Land use maps can be extracted with higher
accuracy.