జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్ & GIS

నైరూప్య

సెమీ-ఎరిడ్ బోట్స్వానాలో ల్యాండ్ కవర్ ల్యాండ్ యూజ్ (LCLU) వర్గీకరణ పద్ధతులు

Tsheko సంతోషించు

ఈ కాగితం ల్యాండ్‌శాట్ 8 (OLI) నుండి గుర్తించబడిన ల్యాండ్ కవర్ ల్యాండ్ యూజ్ (LCLU)ను రెండు వర్గీకరణ పథకాలను ఉపయోగించి అందిస్తుంది, అవి గరిష్ట లైక్లిహుడ్ అల్గోరిథం (MLA) మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్‌లు (ANNలు). రెండు, మూడు మరియు ఎనిమిది లక్షణాలను (ఉపరితల ప్రతిబింబం మరియు సూచికలు) ఉపయోగించి విశ్లేషణ జరిగింది. అన్ని వర్గీకరణల కోసం, మొత్తం ఖచ్చితత్వం మరియు కప్పా గణాంకాలు వరుసగా 93.81% మరియు 0.89 నుండి 99.38% మరియు 0.99 వరకు మారాయి. రెండు వర్గీకరణ పథకాలకు మొత్తం ఎనిమిది లక్షణాలను లేదా రెండు లక్షణాలను (సూచికలు మాత్రమే) ఉపయోగించడం ద్వారా అత్యధిక వర్గీకరణ ఖచ్చితత్వం పొందబడింది. ఇది LCLU మ్యాపింగ్‌లో సాధారణీకరించిన వ్యత్యాస వృక్ష సూచిక (NDVI) మరియు సాధారణీకరించిన వ్యత్యాస బిల్డప్ ఇండెక్స్ (NDBI) యొక్క ప్రాముఖ్యతను ప్రదర్శిస్తుంది. రెండు సూచికలు పొదలు, చెట్లు, నీరు మరియు ఉపగ్రహ చిత్రంలో బిల్డ్అప్‌ను గుర్తించడానికి ఉపయోగించగలంత బలంగా ఉన్నాయి. ఇంకా, ANNల వర్గీకరణ కూడా ఈ వర్గీకరణ కోసం ఉపయోగించగలిగేంత బలంగా ఉంది. MLA వర్గీకరణ ఫీచర్‌ల సగటు విలువలు మరియు వైవిధ్యం రెండింటినీ ఉపయోగించినప్పటికీ, ANNల వర్గీకరణ ఫీచర్‌ల సగటు విలువలను మాత్రమే ఉపయోగించింది. ఇది సాధారణీకరించిన స్కేల్ -1.0 నుండి 1.0 వరకు డేటా ఫ్యూజన్ యొక్క ప్రదర్శన. ఆమోదయోగ్యమైన వర్గీకరణ ఖచ్చితత్వాలను తక్కువ స్పెక్ట్రల్ ఛానెల్‌లతో సాధించవచ్చని కూడా ఈ పని నిరూపిస్తుంది