چند فصلی سنتینل 1 و 2 به منظور تهیه نقشه کاربری اراضی در فضای ابری گوگل ارث انجین (مطالعه موردی: استان گیلان)
آرشیو
چکیده
نقشه های به روز و دقیق کاربری اراضی نقش مهمی در مدیریت و برنامه ریزی کشورهای درحال توسعه ایفا می کند. هدف از این پژوهش علاوه بر تهیه ی نقشه دقیق پوشش اراضی استان گیلان، مقایسه و ارزیابی نقشه های تولیدشده با استفاده از داده های چندفصلی راداری و اپتیکی و همچنین ترکیب این داده ها با یکدیگر به منظور بهبود دقت نقشه طبقه بندی شده می باشد. در این راستا داده های با توان تفکیک مکانی 10 متر سنتینل 2 و قطبش VH راداری سنتینل 1 در باند C به منظور تهیه نقشه پوشش اراضی در محیط پردازشی گوگل ارث انجین مورد پردازش و تحلیل قرار گرفتند. یافته ها نشان داد که نتایج استفاده از داده ی راداری سنتینل 1 به تنهایی یا استفاده از تصاویر سنتنیل 2 به تنهایی، به ترتیب دارای ضریب کاپای 0.72 و 0.84 درصد و دقت کلی به ترتیب 78.51 و 87.41 درصد است. این در حالی است که استفاده هم زمان از داده ی سنتنیل 1 و سنتنیل 2 با رویکرد ترکیب داده ها در محیط گوگل ارث انجین، نتایجی بسیار مطلوب تری را حاصل و باعث بهبود دقت طبقه بندی می شود. به طوری که نقشه ی تهیه شده با استفاده از ترکیب چندفصلی هم زمان تصاویر سنتنیل 1 و 2 دارای ضریب کاپا و دقت کلی به ترتیب 0.97 و 97.77 درصد برآورد گردید. در این پژوهش پیکسل های کاربری بایر در تصاویر سنتینل 1 به دلیل شباهت میزان بازپراکنش و در تصاویر سنتینل 2 به علت شباهت طیفی، سبب عملکرد نامناسب الگوریتم طبقه بندی ماشین بردار پشتیبان در تفکیک کلاس بایر و شهر از هم گردید. به طورکلی نتایج این پژوهش بیانگر آن است که ترکیب هم زمان داده های سنتینل 1 و 2 برای بهبود دقت الگوریتم های طبقه بندی جهت نقشه برداری می تواند بسیار مناسب عمل کند و کلاس های اراضی را با توانایی بالا از هم جدا سازد.Improving Classification accuracy by combining multi-season images of Sentinel 1 and 2 in order to prepare a land use map in the cloud space of Google Earth Engine (Case study: Guilan province)
Up-to-date and accurate land use maps have played an important role in the management and planning of developing countries. The purpose of this study, in addition to preparing an accurate map of land use in Gilan province, is to compare and evaluate the maps generated using multi-season radar and optical data and also to combination these data together to improve the classification map. In this regard, data with spatial resolution of 10 meters Sentinel 2 optics and VH radar polarization of Sentinel 1 in band C were processed and analyzed to produce land Use map in the new Google Earth Engine processing environment. Processing results showed that the use of Sentinel 1 and Sentinel 2 radar data alone has kappa coefficients of 0.72 and 0.84% and overall accuracy of 78.51 and 87.41%, respectively. While the simultaneous use of Sentinel 1 and Sentinel 2 data with the approach of combining data in the Google Earth engine environment achieved very good results. The map was prepared using a simultaneous multi-season combination of Sentinil 1 and 2 with kappa coefficient and overall accuracy of 0.97 and 97.77%, respectively. In this study, Bayer user pixels in Sentinel 1 images due to similarity of redistribution and in Sentinel 2 images due to spectral similarity, caused improper performance of the support vector machine classification algorithm in separating the Bayer class and the city. In general, the results of this study indicate that the simultaneous combination of Sentinel 1 and 2 data to improve the accuracy of classification algorithms for mapping can work very well and separate land classes with high ability.
تبلیغات
