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 طبقه‌بندی تصاویر ماهواره‌ای از اهمیت بالایی برخوردار است. لذا این پژوهش با هدف تحلیل کارایی الگوریتم‌های ماشین بردار پشتیبان(SVM)، جنگل تصادفی(RF) و حداکثر احتمال(MLC) در شناسایی کاربری و پوشش اراضی(LULC) منطقه کلان‌شهری 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 طبقه‌بندی 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 الگوریتم‌های 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 الگوریتم‌ها 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 کلان‌شهری 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 اطلاعات در این پژوهش به روش اسنادی_کتابخانه‌ای انجام شده است. در این مطالعه تصویر سنجندهOLI 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 اختلاط، ضریب تغییرات و ضرایب User\\\\\\\'s accuracy و Producer\\\\\\\'s accuracy، بهترین الگوریتم در طبقه‌بندی کاربری‌های منطقه کلان‌شهری مشهد در در 5 طبقه 1- مناطق ساخته شده 2- اراضی بایر 3- مناطق کوهستانی 4-فضاهای سبز و 5- پهنه ه‌های آبی مشخص شد. نتایج و بحث: نتایج حاصل ارزیابی انحراف معیار (SD) و ضریب تغییرات (CV) درصد سهم مساحت در یک کلاس LULC توسط الگوریتم‌های مختلف نشان می‌دهد که اراضی بایر با دقت بیش‌تر و پهنه‌های آبی و فضاهای سبز با دقت کم‌تری طبقه-بندی شده‌‌اند. نتایج بررسی ضرایب U_Accuracy و P_Accuracy نشان می‌دهد که به طور کلی صحت طبقه‌بندی طبقات در تمام الگوریتم‌های 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 اختلاط نیز تنوع در دقت هر طبقه‌بندی کننده LULC را نشان می‌دهد. تفاوت در دقت طبقه‌بندی‌کننده‌های مورد استفاده جزئی است، اما این تغییرات جزئی اهمیت بسیار مهمی در زمینه برنامه ریزی LULC دارد. با توجه به این که این اختلافات جزیی در کاربری‌های 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 ضریب کاپا و تحلیل‌های مبتنی بر ماتریس اختلاط نشان می‌دهد که رویکرد SVM دارای دقت کلی بیشتری و ضریب کاپای بالاتری نسبت به روش‌های RF و MLCاست. به‌طوری‌که الگوریتم‌های SVM، RF و MLC به‌ترتیب دقت کلی معادل93/0، 88/0 و 80/0 درصد را به دست آورده‌اند. لذا، ماشین بردار پشتیبان بالاترین 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 برای شرایط مورفوکلیماتیک و ژئومورفیک متفاوت پیشنهاد می‌شود.

کلمات کلیدی