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)، بعنوانيكياز روشهايطبقه بنديتصويركهقابليتانعطافمناسبيبرايحالاتمختلفداردمورداستفادهقرارگرفت وكرنلهايمختلفآنباروششبكه هايعصبي
(NNC)بمنظورتوليدنقشهزمينشناسيوبامقاديرمختلفنمونه هايتعليميوباتوجهبهبرداشتهايزميني
ومطالعاتآزمايشگاهي،موردتحليلوارزيابيقرارگرفت. نتايجبهدستآمدهنشاندادروش SVMدرهرسهكرنلخودتوانستهاستبيشتريندقت (83.42%)رانسبتبهدوروشديگرارائهكند. همچنينروش
SVMبا % 50 ازداده
هايتعليمينيزميتواندبهدقتيمعادلاستفادهاز % 100نمونه هايتعليميبرسددرحاليكهروش NNCچنينقابليتيرااز خود نشان نداد. از طرفی ارزیابی نتايجحاصلازشاخصتفكيكپذيريجفريس- ماتوسيتا با نتایج دقت طبقه بندی به روش SVMگوياياينحقيقتاستكهاينروشدرداده هايباتفكيكپذيريپايين تر بسیار کارآمد
تر از روش NNCموردبحثبودهوبنابراينبهنظرميرسداينروشبرايتهيهنقشهزمينشناسيمناسبترازروشNNCخواهدبود.