fa کاربرد ماشین بردار پشتیبان در طبقه‌بندی کاربری اراضی حوزه چشمه کیله- چالکرود تخصصي Special پژوهشي Research <strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">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 (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">Linear</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">)، چندجمله‌ای (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">Polynomial</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">)، شعاعی (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">RBF</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) و حلقوی (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">Sigmoid</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) 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 نومیال&shy;های درجه 5، 6 و 4 و کمترین مربوط به حلقوی یا </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">Sigmoid</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> 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.</span></span></strong> <strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">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.</span></span></strong> Classification of land use extraction always been one of the most important applications of remote sensing and why different methods are created. Over time and with greater accuracy were developed more advanced methods that increase the accuracy and the extraction classes that were closer together in terms of quality are better. SVM is one of these methods in the study of this method for the extraction of forest land, farming, pasture, and the city and its various kernel includes a linear (Linear), polynomial (Polynomial), radial (RBF) and ring (Sigmoid) were evaluated to determine the best kernel to extract these applications. The results showed the best overall accuracy and kappa coefficient, respectively polynomial of degree 5, 6 and 4 and the lowest is in the ring or Sigmoid. With increasing degree polynomial (except Grade 2) were added to the overall accuracy and kappa coefficient. Overall, we found that increasing degrees of polynomial boundary between the classes better spectral resolution and in areas that were close to be more successful. It also increases the degree polynomial caused more accurately separate the boundary between the classes. Our goal is classified when the user is using more than two degrees above polynomial (preferably 5 or 6) is recommended.<br> &nbsp; کاربری اراضی, ماشین بردار پشتیبان, طبقه‌بندی, سنجش از دور Classification, Landuse, Remote sensing, Suport vector machine 92 101 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-181&slc_lang=fa&sid=1 احمد نجفی 10031947532846005179 10031947532846005179 No سارا عزیزی قلاتی 10031947532846005180 10031947532846005180 Yes محمدحسین مختاری 10031947532846005181 10031947532846005181 No