إن تقييم حالة استخدام الأراضي/الغطاء الأرضي ومراقبتها باستخدام التقنيات التقليدية محدود، وذلك بسبب اتساع هذه الأراضي وبعدها وظروفها القاسية. تم استخدام صور وتقنيات الاستشعار عن بعد كنهج بديل. تدرس هذه الأطروحة تأثير عوامل مختلفة بما في ذلك (الدقة المكانية والطيفية، والتصحيحات الجوية، وحجم ونوع بيانات التدريب) على نتائج آلة دعم المتجهات (SVM) ، وغيرها من أساليب التصنيف الخاضعة للإشراف لتحسين دقة التصنيف الإجمالية (OA) باستخدام بيانات الأقمار الصناعية من Landsat 8 (LS-8)، وLandsat 9 (LS-9)، وSentinel 2A (S2) لمنطقتين في وسط العراق لإنتاج خرائط LU/LC دقيقة وهو أمر ضروري لمختلف التطبيقات الجغرافية المكانية. وقد تضمنت هذه الأطروحة أربعة مناهج. الأول تضمن استخدام خوارزمية شحذ بان جرام-شميدت (GS) لزيادة الدقة المكانية لـ LS-9 من 30 مترًا إلى 15 مترًا باستخدام نطاق شامل (PAN) LS-9 (PAN1)، وإلى (10 أمتار) باستخدام نطاق PAN الاصطناعي عن طريق حساب متوسط النطاقات الأربعة (B2 وB3 وB4 وB8) (10 أمتار) للقمر الصناعي (S2). كما يتم استخدام PAN الاصطناعي لتوحيد الدقة المكانية لنطاقات S2 الأخرى (20 و60) مترًا إلى (10 أمتار). تم إنتاج مجموعة بيانات هجينة لزيادة الدقة الطيفية عن طريق تكديس جميع النطاقات غير المتداخلة (10 أمتار) لكلا القمرين الصناعيين. تم تقييم كفاءة هذا النهج باستخدام العديد من خوارزميات التصنيف الخاضعة للإشراف SVM :مع نوى مختلفة، أقصى احتمال (ML)، الشبكات العصبية الاصطناعية
التصنيف الخاضعة للإشراف SVM :مع نوى مختلفة، أقصى احتمال (ML)، الشبكات العصبية الاصطناعية (ANN)، مسافة ماهالانوبيس، والمسافة الدنيا. أظهرت النتائج تحسنًا كبيرًا في OA لـ LS-9 من (82.28%) مع (30 م) إلى (89.91%) مع (10 م) و (91.55%) لمجموعة البيانات الهجينة باستخدام نواة (SVM) الخطية. أظهرت النتائج الرئيسية التأثيرات الإيجابية لزيادة الدقة المكانية والطيفية ودمج البيانات الهجينة في تحسين دقة تصنيف LU\LC، وخاصة للفئات المتداخلة، وأظهرت النتائج أيضًا تفوق SVM وتحديدًا النواة الخطية في هذا النهج. النهج الثاني يعتبر توسعًا للنهج الأول، ويهدف إلى
