تهیه نقشه های زمین شناسی توسط
تصاویر چندطیفی، با توجه به نزدیکی رفتار طیفی بسیاری از سنگها
می تواند امری دشوار باشد. لذا در این پژوهش روش ماشین
بردار پشتیبان (SVM)، بعنوان یکی از رو شهای طبقه بندی تصویر که قابلیت انعطاف مناسبی برای حالات مختلف دارد مورد استفاده قرار گرفت و کرنلهای مختلف آن با روش شبکه های عصبی
(NNC) بمنظور تولید نقشه زمین شناسی و با مقادیر مختلف نمونه های تعلیمی و با توجه به برداشتهای زمینی
و
مطالعات آزمایشگاهی، مورد تحلیل و ارزیابی قرار گرفت. نتایج
به دست آمده نشان داد روش SVM در هر سه کرنل خود توانسته است بیشترین دقت (83.42%) را نسبت به دو روش دیگر ارائه کند. همچنین روش
SVM با % 50 از داده
های
تعلیمی نیز می تواند به دقتی معادل استفاده از % 100 نمونه های تعلیمی برسد در حالیکه روش NNC چنین قابلیتی را از خود نشان نداد. از طرفی ارزیابی نتایج حاصل از شاخص تفکیک پذیری جفریس- ماتوسیتا با نتایج دقت طبقه بندی به روش SVM گویای این حقیقت است که این روش در داده های با تفکیک پذیری پایین تر بسیار کارآمد
تر از روش NNC مورد بحث بوده و بنابراین به نظر می رسد این روش برای تهیه نقشه زمین شناسی مناسب تر از روشNNC خواهد بود.