آگاهی از وضعیت پوشش زمین و نوع کاربری های آن برای بسیاری از مطالعات زیست محیطی، تغییرات اقلیمی و مدیریت منابع خاک و آب ضروری است. امروزه به طور فزاینده ای از اطلاعات سنجش از دور، که از ماهواره ها بدست می آیند، برای تهیۀ نقشۀ پوشش/کاربری اراضی استفاده می شود. هدف از این مطالعه بررسی کارایی ماشین های بردار پشتیبان برای طبقه-بندی تصاویر ماهوارۀ لندست 8 به منظور تهیۀ نقشه های پوشش/کاربری اراضی حوضه آبخیز سد گاوشان در غرب ایران با مساحتی در حدود 206 هزار هکتار و نیز مقایسۀ آن با شبکه های عصبی مصنوعی بود. بدین منظور از 1320 نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. برای ترکیب ماشین های بردار پشتیبان دودویی برای طبقه بندی چند کلاسه از استراتژی های یک در مقابل یک، یک در مقابل همه و ترتیبی استفاده شد. همچنین در هر استراتژی کرنل های مختلف خطی، چند جمله ای و شعاعی بکار گرفته شد. بر این اساس در بین مدل های مختلف ایجاد شده بهترین عملکرد بر اساس روش یک در مقابل یک و تابع کرنل چند جمله ای درجۀ سه به دست آمد. آزمون مک نمار نشان داد که کارایی مدل به دست امده با صحت کلی 5/89 درصد و شاخص کاپای 9/84 به طور معنی داری از شبکه های عصبی مصنوعی بالاتر است (001/0>P). نتایج این مطالعه نشان می دهد که ماشین های بردار پشتیبان در مقایسه با شبکه های عصبی مصنوعی از کارایی بالاتری برای طبقه بندی تصاویر ماهواره ای برخوردارند؛ با اینحال صحت آنها به طور قابل ملاحظه ای متأثر از الگوی ترکیب ماشین ها و نوع تابع کرنل می باشد.
