سابقه و هدف: با توجه به این که ارزش و قابلیت استفاده از هر نقشه تولید شده از تصاویر ماهوارهای به درجه صحت آن بستگی دارد، ارزیابی صحت روش طبقه بندی تصاویر ماهوارهای از اهمیت باالیی برخوردار است. لذا این پژوهش با هدف تحلیل کارایی الگوریتم های ماشین بردار پشتیبان)SVM)، جنگل تصادفی)RF )و حداکثر احتمال)MLC )در شناسایی کاربری و پوشش اراضی)LULC )منطقه کالنشهری مشهد انجام شده است. الگوریتمهای بسیار زیادی به منظور طبقهبندی تصاویر ماهوارهای تا به امروز توسعه یافتهاند که عملکرد آنها در شرایط مختلف، متفاوت است. به همین دلیل، در این پژوهش ابتدا با مروری بر پژوهشهای پیشین، پرکاربردترین الگوریتمها مورد شناسایی قرار گرفته و سپس با سنجش ویژگیهای انواع طبقه بندی کنندهها ، سه الگوریتم ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال انتخاب شده است. با توجه به این که مطالعات متعدد نشان داده است که دقت نقشه برداری LULC با زمان و مکان در ارتباط است و هر یک از پژوهشهای انجام شده نیز بر دقت الگوریتم های متفاوتی تاکید کردهاند. لذا نتایج آنها برای شرایط جغرافیایی ایران قابل تعمیم نیست. از طرفی در شرایط ژئومورفولوژیک ایران، پژوهشهای کافی به منظور سنجش دقت الگوریتمهای طبقهبندی انجام نشده است و اغلب مطالعات صحت سنجی الگوریتم ها در نمونههای موردی خارج از ایران انجام شده است. لذا با توجه به تفاوت نتایج الگوریتمها در شرایط متفاوت، بررسی دقت و عملکرد الگوریتمها با تمرکز بر منطقه وسیع و متنوع کالنشهری مشهد، میتواند نتایج بدیع و جالب توجهی را به همراه داشته باشد. مواد و روشها: روش تحقیق حاضر از منظر هدف، کاربردی و از منظر ماهیت، توصیفی_تحلیلی است. گردآوری اطالعات در این پژوهش به روش اسنادی_کتابخانهای انجام شده است. در این مطالعه تصویر سنجنده OLI در ماهواره لندست 8 تهیه شده است. طبقه بندی تصاویر ماهوارهای در دو مرحله پیش پردازش و پردازش تصاویر انجام شده و پس از ارزیابی صحت طبقه بندی تصاویر با استفاده از ضریب کاپا، ماتریس اختالط، ضریب تغییرات و ضرایب accuracy s\\\\\\\\\\\\\\\'User و accuracy s\\\\\\\\\\\\\\\'Producer،  نویسنده مسئول 1 بهترین الگوریتم در طبقهبندی کاربریهای منطقه کالنشهری مشهد در در 5 طبقه -1 مناطق ساخته شده -2 اراضی بایر 2 -3 3 مناطق کوهستانی -4 فضاهای سبز 4 و -5 پهنه ههای آبی 5 مشخص شد. نتایج و بحث: نتایج حاصل ارزیابی انحراف معیار )SD )و ضریب تغ ییرات )CV )درصد سهم مساحت در یک کالس LULC توسط الگوریتمهای مختلف نشان میدهد که اراضی بایر با دقت بیش تر و پهنههای آبی و فضاهای سبز با دقت کمتری طبقهبندی شدهاند. نتایج بررسی ضرایبAccuracy_U و Accuracy_P نشان میدهد که به طور کلی صحت طبقه بندی طبقات در تمام الگوریتم های مورد مطالعه در بازه بین خوب تا عالی قرار میگیرد. اما بررسی دقیق تر این الگوریتمها نشان میدهد که بیشترین چالش شناسایی طبقه برای مناطق ساخته شده، مناطق کوهستانی و فضاهای سبز است و شناسایی اراضی بایر با چالش کمتری مواجه است. ضریب کاپا و تحلیلهای مبتنی بر ماتریس اختالط نیز تنوع در دقت هر طبقه بندی کننده LULC را نشان میدهد. تفاوت در دقت طبقهبندیکنندهها ی مورد استفاده جزئی است، اما ای ن تغییرات جزئی اهمیت بسیار مهمی در زمینه برنامه ریزی LULC دارد. با توجه به این که این اختالفات جزیی در کاربری های حساسی مانند مناطق ساخته شده و فضاهای سبز دیده میشود، لذا انتخاب الگوریتمی با بیشترین دقت و کمترین خطا از اهمیت ویژهای برخوردار است. نتیجه گیری: نتایج بررسی ضری ب کاپا و تحلیلهای مبتنی بر ماتریس اختالط نشان میدهد که رویکرد SVM دارای دقت کلی بیشتری و ضریب کاپای باالتری نسبت به روش های RF و MLCاست. به طوری که الگوریتمهایSVM ، RF و MLC بهترتیب دقت کلی معادل،0/93 0/88 و 0/80 درصد را به دست آوردهاند. لذا، ماشین بردار پشتیبان باالترین دقت و کمترین خطا را در بین طبقهبندیکنندههای مورد مطالعه دارد. با توجه به این که مطالعات متعدد نشان داد که دقت نقشه برداری LULC با زمان و مکان در ارتباط است. بنابراین، برای تحقیقات آینده، آنالیز دقت طبقهبندیکنندهها برا ی شرایط مورفوکلیماتی ک و ژئومورفیک متفاوت پ یشنهاد م یشود.

کلمات کلیدی