انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 12 4 2021 01 20 Comparison of Accuracy Between Support Vector Machine and Random Forest Classifiers for Land Use and Crop Mapping Using Multi-Temporal Sentinel-2 Images مقایسة دقت روش‌های ماشین بردار پشتیبان و جنگل تصادفی در تهیة نقشة کاربری اراضی و محصولات زراعی، با استفاده از تصاویر چندزمانة سنتینل-2 73 92 100688 10.52547/gisj.12.4.73 FA زینب قدسی دانشجوی کارشناسی ارشد گروه تخصصی سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدة منابع طبیعی و محیط‌زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران میر مسعود خیرخواه زرکش دانشیار پژوهشی، پژوهشکدة حفاظت خاک و آبخیزداری سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران باقر قرمزچشمه استادیار پژوهشی، پژوهشکدة حفاظت خاک و آبخیزداری سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Journal Article 2019 11 24 Land-cover/land-use maps are necessary for monitoring land changes and proper planning for managers in agriculture, natural resources and environment fields each year. The method of field data collection using GPS and land survey is time-consuming and costly. Therefore satellite images which have entire coverage and repetition of collection, low cost and real-time data, are usually used so that land-cover/land-use maps are produced. Accurate mapping using technique suitable for today is a key factor. Although in the past, conventional classification methods have been applied to images such as Landsat, using new satellite images and modern classifiers specially machine learning has been growing recently and their effectiveness in preparing land-cover/land-use maps has been very successful. Another advantage of satellite images is repetitious collection and according to that, vegetation changes through time can be used to differentiate land cover types. The Sentinel-2 satellite with the superiority of a pixel rating of 10 meters is one of the appropriate tools to discriminate land cover types. In the current study, Support Vector Machine and Random Forest classifiers on multi-temporal Sentinel-2 images were used to differentiate land use and crop types of Sanjabi plain in Ravansar and their accuracies were compared. To do so, after sampling, Principal Component Analysis was performed for four dates in crops’ growing season and PC1,2,3 bands of the images were combined. The two techniques were implemented on the layerstacks of PC1,2,3 bands of the images and the training samples. Results of accuracy assessments showed that Support Vector Machine, with overall accuracy of 91.36% and Kappa coefficient of 0.8927, produces a more precise land use and crop map rather than Random Forest method. نقشه‌های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه‌ریزی صحیح، هرساله مورد نیاز مدیران حوزة کشاورزی، منابع طبیعی و زیست‌محیطی است. روش برداشت میدانی با جی‌پی‌اس (GPS) و نقشه‌برداری زمینی مستلزم صرف زمان و هزینه‌های بسیار است. بنابراین، اغلب از تصاویر ماهواره‌ای، که دارای پوشش سراسری و توالی برداشت، هزینة کم و اطلاعات به‌هنگام‌اند، استفاده می‎شود تا نقشه‌های پوشش/کاربری زمین به‌دست آید. تهیة نقشة دقیق با روش مناسب روز موضوعی کلیدی است. طی سال‌های اخیر، استفاده از تصاویر ماهواره‌ای جدید و روش‌های نوین طبقه‌بندی، به‌ویژه یادگیری ماشین، رشد فزاینده‎ای داشته و کارآیی آنها در تهیة نقشه‌های پوشش/کاربری اراضی بسیار موفقیت‌آمیز بوده است. یکی دیگر از مزایای تصاویر ماهواره‌ای برداشت‌های متوالی است و براساس آن، می‌توان از تغییرات پوشش گیاهی در طول زمان، برای تفکیک نوع پوشش، استفاده کرد. ماهوارة سنتینل-2، با امتیاز پیکسل 10متری، یکی از ابزارهای مناسب برای تفکیک نوع پوشش محسوب می‌شود. در این تحقیق، برای تفکیک انواع کاربری اراضی و محصولات زراعی دشت سنجابی روانسر، از تصاویر چندزمانة سنتینل-2 و روش‌های طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدین‌منظور، پس از نمونه‌برداری، تحلیل مؤلفه‌های اصلی برای چهار تاریخ دورة رشد محصولات اجرا شد و باندهای PC₁، PC₂ و PC₃ تصاویر با هم ترکیب شدند. دو روش روی ترکیب باند‌های PC₁، PC₂ و PC₃ تصاویر و نمونه‌های تعلیمی اعمال شدند. ارزیابی دقت‌ها نشان داد ماشین بردار پشتیبان، با صحت کلی 91.36% و ضریب کاپای 0.8927، نقشة کاربری اراضی و محصولات دقیق‌تری، در قیاس با روش جنگل تصادفی، تولید می‌کند. https://gisj.sbu.ac.ir/article_100688_b4ee0f516f0c7b4237ef3a0024de445e.pdf