طبقه بندی شیءگرای مناطق شهری با تلفیق تصاویر سنتینل- 1 و سنتینل- 2 (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
نقشه های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه های انسانی را توصیف می کنند که به منزله ابزار برنامه ریزی مهمی برای تصمیم گیرندگان عمل می کند؛ بنابراین دقت نقشه های حاصل از طبقه بندی تصاویر ماهواره ای در عدم قطعیت به منظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه های کاربری زمین شمرده می شوند. هدف اصلی از این تحقیق پیشنهاد کردن روشی به منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق داده های سنتینل 1 و سنتینل 2 است. به این منظور، ویژگی های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیه H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل 1 و ویژگی های باند آبی، سبز، قرمز، شاخص های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل 2 استخراج و به منزله مؤلفه های تأثیرگذار در طبقه بندی منطقه شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش ها، از شاخص رطوبت SWI استفاده شد. همچنین داده های ارتفاعی برای تفکیک بهینه کلاس های پیچیده با توپوگرافی متفاوت به کار رفت. استخراج شاخص های تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به کارگرفتن ویژگی های استخراج شده از تصاویر راداری و اپتیک به طور هم زمان، در روش طبقه بندی شیء گرا، می تواند ویژگی های شیء را به طور کامل در ناحیه مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقه بندی، زمانی که از داده های اپتیک و راداری به طور هم زمان استفاده شد، دقت کلی طبقه بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده های راداری و اپتیک به میزان 13 و 5%، به ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنی داری در دقت طبقه بندی، در تمامی سطوح، بین الگوریتم طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می شود. نتایج نشان داد که دقت کلی درمورد روش طبقه بندی جنگل تصادفی و ماشین بردار پشتیبان به ترتیب برابر 3/83 و 8/79% و ضریب کاپا به ترتیب 72/0 و 68/0% بوده است.Object-Oriented Classification of Urban Areas Using a Combination of Sentinel-1 and Sentinel-2 Images
Land use maps describe the spatial distribution of natural resources, cultural landscapes, and human settlements that are essential for decision-makers. Therefore, the accuracy of maps obtained from the classification of satellite images is very effective in uncertainty for urban management. Due to the uniform quality of images in large areas at regular intervals, remote sensing images are essential for land use maps. The primary purpose of this study is to present a proposed method to create an accurate land cover map in urban areas using a combination of Sentinel-1 and Sentinel-2 data. For this purpose, the features of the backscattering coefficient VV and the two parameters obtained from the H-α decomposition method (entropy, alpha) of Sentinel-1 radar images and the features of the blue, green, red band, NDVI, NDWI, MNDWI, and SWI were extracted from Sentinel-2 Multispectral images and used as influential components to classify the urban area. To separate agricultural areas from other coatings, the SWI index was used. Elevation data have also been used to optimally distinguish complex classes with different topographies. We evaluated the extraction of effective indicators from these two datasets in an object-oriented approach based on support vector machine algorithms and random forest for land use classification. The results showed that using properties extracted from radar and Multispectral images simultaneously in the object-oriented classification method could altogether determinate the object's properties in the study area. When optical and radar data were used simultaneously for both classification algorithms, the overall accuracy classification increased. For the stochastic forest method, which provided the highest accuracy, the overall accuracy for the radar and optics data combination approach increased by 13% and 5%, respectively, compared to the radar feature approach and the optics feature approach alone. There was also a significant difference in classification accuracy at all levels between the support vector machine classification algorithm and the random forest. The results showed that the random forest classification method's overall accuracy and support vector machines were 83.3 and 79.8%, respectively, and the kappa coefficient was 0.72 and 0.68%, respectively.
تبلیغات
