fa بکارگیری الگوریتم بهینه‌سازی ژنتیک در طبقه‌بندی نظارت‌نشده و مقایسه آن با روش‌های طبقه‌بندی ISO DATA و K-means تخصصي Special كاربردي Applicable undefined<span style="font-size:11pt"><span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span lang="FA" style="font-size:13.0pt"><span b="" lotus="" style="font-family:">یکی از مهمترین روش‌های استخراج اطلاعات از تصاویر سنجش‌ازدور، طبقه‌بندی نظارت‌نشده است که به کاربران امکان تولید انواع اطلاعات از جمله نقشه‌های پوششی، کاربری و تغییرات را می‌دهد. این روش نیاز به داده آموزشی ندارد و الگوریتم طبق ویژگی‌های آماری، عملیات خوشه‌بندی را انجام می‌دهد. در این پژوهش در محیط کد نویسی </span></span>MATLAB<span style="font-size:13.0pt"><span b="" lotus="" style="font-family:"> با تصاویر لندست8، به مقایسه روش های </span></span>ISO DATA<span lang="FA" style="font-size:13.0pt"><span b="" lotus="" style="font-family:">، </span></span>K-means &nbsp;<span lang="FA" style="font-size:13.0pt"><span b="" lotus="" style="font-family:">و الگوریتم ژنتیک در بخش‌هایی از شمال استان گلستان پرداخته شد. برای هر سه رویکرد شرایط بطور کامل ثابت در نظر گرفته شد تا مقایسه مناسب‌تری بین روش‌ها صورت گیرد. بمنظور اجرای الگوریتم ژنتیک از 30 نقطه (کروموزم)، و جهت صحت سنجی و بررسی دقت نتایج برای هر طبقه، از 10 نقطه حاصل از تصاویر </span></span>Google earth<span style="font-size:13.0pt"><span b="" lotus="" style="font-family:"> به عنوان نقطه نمونه استفاده شد. نتایج نشان داد صحت کلی و ضریب کاپا در طبقه‌بندی نظارت‌نشده با استفاده از الگوریتم ژنتیک به ترتیب 89 &nbsp;و 86 درصد، </span></span>&nbsp;K-means<span lang="FA" style="font-size:13.0pt"><span b="" lotus="" style="font-family:"> 54 و 47</span></span> <span lang="FA" style="font-size:13.0pt"><span b="" lotus="" style="font-family:">درصد</span></span> <span lang="FA" style="font-size:13.0pt"><span b="" lotus="" style="font-family:">و در </span></span>ISO DATA<span style="font-size:13.0pt"><span b="" lotus="" style="font-family:"> 48 و 42 درصد بدست آمد. بنابراین پیشنهاد می‌گردد با در نظر گرفتن هدف و شرایط موجود در پژوهش‌ها، استفاده از طبقه‌بندی نظارت‌نشده به کمک الگوریتم ژنتیک بویژه برای مناطقی که اطلاعات کافی از آن در دست نیست مورد بررسی قرار گیرد.</span></span></span></span></span></span></span> One of the most important methods of extracting information from remote sensing images is unsupervised classification, which allows users to generate a variety of information, including cover maps, land uses, and changes. This method does not require training data and the algorithm performs clustering operations according to statistical characteristics. In this research, in MATLAB coding environment with Landsat 8 images, ISO DATA, K-means and genetic algorithm methods were compared in parts of the north of Golestan province. For all three approaches, the conditions were considered completely constant to make a more appropriate comparison between the methods. In order to implement the genetic algorithm of 30 points (chromosomes), and to validate and check the accuracy of the results for each class, 10 points from Google earth images were used as a sample point. The results showed that the overall accuracy and kappa coefficient in unsupervised classification using genetic algorithm were 89 and 86%, K-means 54 and 47%, ISO DATA 48 and 42%, respectively. Therefore, it is suggested that considering the purpose and conditions of the research, the use of unsupervised classification using genetic algorithms, especially for areas of which sufficient information is not available, should be investigated. کلید وازه: الگوریتم ژنتیک, طبقه‌بندی نظارت‌نشده, Google earth, لندست 8 , استان گلستان Keywords: Genetic Algorithm, Unsupervised Classification, Google Earth, Golestan Province 136 153 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-3249-3&slc_lang=fa&sid=1 Ali Hossinholizade علی حسینقلی زاده ali.hosinzade.khu@gmail.com 100319475328460023451 100319475328460023451 Yes Najmeh Neysani Samany نجمه نیسانی سامانی nneysani@ut.ac.ir 100319475328460023452 100319475328460023452 No