%0 Journal Article %T Assessment Kernel Support Vector Machines in Classification of Landuses(Case Study: Basin of Cheshmeh kileh-Chalkrod) %J journal of watershed management research %V 8 %N 15 %U http://jwmr.sanru.ac.ir/article-1-846-fa.html %R 10.29252/jwmr.8.15.92 %D 2017 %K Classification, Landuse, Remote sensing, Suport vector machine, %X طبقه‌بندی جهت استخراج کاربری‌های اراضی همیشه یکی از مهم‌ترین کاربردهای سنجش از دور بوده و به همین دلیل روش‌های متفاوتی ایجاد ‌شده‌اند. با گذشت زمان روش‌های پیشرفته‌تر و با دقت بالاتری به وجود آمدند که باعث افزایش دقت شده و در استخراج کلاس‌هایی که از نظر طیفی به هم نزدیک تر بودند بهتر عمل کرده‌اند. یکی از این روش‌ها ماشین بردار پشتیبان است که در این تحقیق از این روش برای استخراج کاربری‌های جنگل، کشاورزی، مرتع و شهر استفاده‌شده و کرنل‌های مختلف آن شامل خطی (Linear)، چندجمله‌ای (Polynomial)، شعاعی (RBF) و حلقوی (Sigmoid) مورد ارزیابی قرار گرفتند تا بهترین کرنل جهت استخراج کاربری‌های نامبرده مشخص گردد. نتیجه نشان داد بهترین ضریب کاپا و دقت کلی به ترتیب مربوط به پلی نومیال­های درجه 5، 6 و 4 و کمترین مربوط به حلقوی یا Sigmoid است. با افزایش درجه پلی نومیال (بجز درجه 2) به ضریب کاپا و دقت کلی افزوده شد. در کل به این نتیجه رسیدیم که با افزایش درجات پلی نومیال مرز بین کلاس‌ها بهتر تفکیک شد و در قسمت‌هایی که از نظر طیفی نزدیک به هم بودند موفق تر عمل نمود. همچنین افزایش درجه در پلی نومیال باعث شد با دقت بیشتری مرز بین کلاس‌ها جدا شوند. همچنین هنگامی که هدف ما طبقه‌بندی بیش از دو کاربری است استفاده از درجات بالاتر پلی نومیال (ترجیحاً 5 یا 6) توصیه می‌شود. %> http://jwmr.sanru.ac.ir/article-1-846-fa.pdf %P 92-101 %& 92 %! %9 Research %L A-10-1-181 %+ %G eng %@ 2251-6174 %[ 2017