فهرست نشریات علمی دسترسی آزاد ایران

توسعه فیزیکی مناطق شهری یکی از محرک‌های اصلی تغییرات جهانی است که تأثیرات مستقیم و غیرمستقیم مهمی بر شرایط محیطی و تنوع زیستی دارد. استفاده از تکنیک ­های سنجش از دور، یکی از رویکردهای جدید در برنامه‌ریزی شهری  محسوب می شود. پژوهش حاضر با هدف مقایسه کارآیی طبقه­ بندی کننده ­های یادگیری ماشین مبتنی بر پردازش شیئ­ گرای تصاویر ماهواره ­ای در استخراج محدوده توسعه فیزیکی شهر همدان با استفاده از تصویر ماهواره سنتینل 2 انجام شده است. در این راستا، فرایند قطعه ­بندی بر اساس مقیاس، ضریب شکل و ضریب فشردگی مناسب با هدف تولید اشیاء تصویری انجام شد. پس از قطعه­ بندی و تبدیل تصویر به اشیاء تصویری، با استفاده از طبقه­ بندی کننده ­های یادگیری ماشین مبتنی بر پردازش شیئ­ گرای تصاویر ماهواره ­ای شامل الگوریتم­ های طبقه­ بندی کننده بیز، k - نزدیکترین همسایه، ماشین بردار پشتیبان، درخت تصمیم ­گیری و درخت­ های تصادفی، فرایند طبقه­ بندی انجام و نقشه ­های محدوده توسعه فیزیکی شهری تولید شد. در نهایت، مقدار دقت هر کدام از نقشه­ های تولید شده محاسبه شد. بر اساس نتایج تحقیق، امکان تولید نقشه محدوده توسعه فیزیکی شهری همدان با استفاده از الگوریتم ­های یادگیری ماشین مبتنی بر پردازش شیئ­ گرای تصاویر ماهواره ­ای با دقت قابل قبول وجود دارد. به طوری که طبقه­ بندی کننده بیز دارای دقت کلی 96 درصد و ضریب کاپای 0.95، k - نزدیکترین همسایه دارای دقت کلی 97 درصد و ضریب کاپای 0.96، ماشین بردار پشتیبان دارای دقت کلی 96 درصد و ضریب کاپای 0.95، درخت تصمیم­ گیری دارای دقت کلی 95 درصد و ضریب کاپای 0.94 و درخت­ های تصادفی دارای دقت کلی 95 درصد و ضریب کاپای 0.94 بودند. لذا از بین کلیه الگوریتم ­های مورد استفاده در این تحقیق، k - نزدیکترین همسایه با دقت کلی 97 درصد و ضریب کاپای 0.96 مقدار دقت بیشتری را ارائه نمود.