طبقه بندی کاربری و پوشش زمین با ترکیب الگوریتم های GLCM، SNIC و یادگیری ماشین در سامانه گوگل ارث انجین (مطالعه موردی: بخشی از اراضی شمال مهاباد، آذربایجان غربی) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: در دهه های گذشته، داده های سنجش از دور با موفقیت برای استخراج اطلاعات و تغییرات کاربری و پوشش زمین (LULC) در سطوح گوناگون، از مقیاس محلی تا جهانی، به کار رفته است. پایش دقیق و منظم این تغییرات در برنامه ریزی شهری، کشاورزی دقیق و مدیریت پایدار منابع زمین ضرورت دارد. فراهمی داده های سنجش از دور با ارائه سطوح بی سابقه ای از جزئیات مکانی و همچنین توسعه الگوریتم های طبقه بندی تصاویر ماهواره ای، باعث شده است که رویکردهای شیء گرا، در مقایسه با رویکردهای معمول، در طبقه بندی کاربری و پوشش زمین کاربرد بیشتری پیدا کنند. بدین منظور، در این مطالعه، رویکردی شیء گرا با ترکیب الگوریتم های GLCM، SNIC و یادگیری ماشین مطرح شده که هدف از آن طبقه بندی کاربری و پوشش زمین بخشی از اراضی شمال مهاباد در آذربایجان غربی، با استفاده از تصاویر ماهواره ای سنتینل 2 در سال 2019 در سامانه گوگل ارث انجین بوده است. مواد و روش ها: روش انجام شدن این پژوهش به گونه ای است که ابتدا مجموعه داده اولیه، شامل باندهای هدف تصاویر سنتینل 1 و سنتینل 2، مدل رقومی سطح زمین ALOS و شاخص های NDVI، BSI، SAVI و توان بازپراکنش کل (TSP) آماده سازی شد. در مرحله دوم، با اتخاذ دو رویکرد پیکسل پایه و شیء گرا و الگوریتم جنگل تصادفی، کاربری و پوشش زمین طبقه بندی شد و نتایج حاصل از آنها، برای تبیین بهترین رویکرد ازنظر دقت کلاس های گوناگون، مقایسه شد. در رویکرد شیء گرا، معیارهای بافتی با اعمال ماتریس وقوع توأم گام های خاکستری (GLCM) روی مجموعه داده اولیه استخراج شد و با توجه به افزایش تعداد باندها روش تحلیل مؤلفه های اصلی (PCA)، برای کاهش ابعاد تصویر، به کار رفت. در گام آخر، با ترکیب لایه PC1 و لایه قطعه بندی حاصل از الگوریتم خوشه بندی ساده غیرتکراری (SNIC)، الگوریتم جنگل تصادفی به منظور تهیه نقشه های کاربری و پوشش زمین محدوده مطالعاتی در نظر گرفته شد. نتایج و بحث: تحلیل معیارهای ارزیابی صحت نشان داد که رویکرد شیء گرا با صحت کلی و ضریب کاپای معادل 86/40% و 0/8307، در مقایسه با رویکرد پیکسل پایه با صحت کلی و ضریب کاپای 82/73% و 0/8028، نتایج بهتری را در طبقه بندی کاربری های متفاوت اراضی منطقه مورد مطالعه داشته است. نتایج معیارهای ارزیابی صحت نشان داد صحت تولیدکننده اغلب کلاس های کاربری، به جز ذرت، سبزیجات آبی پاییزه و گندم و جو آبی، در رویکرد شیء گرا بیشتر از روش پیکسل پایه است و دقت طبقه بندی آنها بالاتر از 90% بوده است. علاوه براین، کاربری های/ پوشش های پهنه آبی، ساخته شده، ذرت و چغندرقند بیشترین صحت کاربر را در نقشه کاربری و پوشش زمین شیء گرا به خود اختصاص داده اند. نتیجه گیری: یافته های تحقیق نشان دادند که تعیین مناسب اندازه سوپرپیکسل الگوریتم خوشه بندی SNIC و به کارگیری معیارهای بافتی GLCM به طور مؤثری عملکرد رویکرد پیشنهادی را در طبقه بندی کاربری و پوشش زمین، بهبود می بخشد.Land Use and Land Cover Classification by Combining GLCM, SNIC, and Machine Learning Algorithms in Google Earth Engine Environment (Case Study: Part of the Lands of North Mahabad, West Azerbaijan)
Introduction: In recent decades, land use and land cover changes information has been successfully derived from remote sensing data at various levels, from local to global scale. Accurate and frequent monitoring of these changes is required for urban planning, precision agriculture, and sustainable management of land resources. The availability of remote sensing data by providing different levels of spatial details, as well as the development of satellite image classification algorithms, has made object-oriented approaches more useful in land use and land cover (LULC) classification compared to traditional approaches. Therefore, in this study, an object-oriented approach using a combination of GLCM, SNIC, and machine learning algorithms is presented to classify the LULC of a part of the lands of North Mahabad, West Azerbaijan, in 2019 using satellite images in Google Earth Engine.
Data and Methods: For this purpose, after preparing the initial dataset, which contains the bands of Sentinel-1 and Sentinel-2 images, the ALOS digital surface model, and NDVI, BSI, SAVI, and total scattering power (TSP) indices, two pixel-based and object-oriented approaches, as well as the random forest algorithm, were used to classify land use and land cover, and their results were compared to explain the best approach in terms of the accuracy of the various classes. In the object-oriented approach, textural measures were extracted by applying the GLCM matrix to the initial dataset. Due to the increase in the number of bands, the PCA method was used to reduce the dimensions of the image. Finally, by combining the PC1 layer and the segmentation layer obtained from the SNIC algorithm, the random forest algorithm was considered to produce land use and land cover maps of the study area.
Results and Discussion: According to the research findings, the object-oriented approach performed better than the pixel-based approach in classifying various land use classes in the study area, with an overall accuracy and kappa coefficient of 86.40% and 0.8307, respectively, compared to 82.73% and 0.8028. The results of the accuracy evaluation criteria showed that the producer accuracy of most of the classes except for corn, fall irrigated vegetables, wheat, and barley irrigated in the object-oriented approach was higher than the pixel-based method, and their classification accuracy was more than 90%. Additionally, water, build-up, corn, and sugar beet classes have the highest user accuracy in the object-oriented LULC map.
Conclusion: The findings showed that the appropriate determination of the super-pixel size of the SNIC clustering algorithm and the use of GLCM texture criteria effectively improved the performance of the proposed approach in land use and land cover classification
تبلیغات
