نوع مقاله : علمی - پژوهشی

نویسندگان

• رضا شاه حسینی ¹
• کمال عزیزی ¹
• ارسطو زارعی ²
• فاطمه مرادی ²

¹ دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران

² دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران

چکیده

نقشه‌های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه‌های انسانی را توصیف می‌کنند که به عنوان یک ابزار برنامه‌ریزی مهم برای تصمیم‌گیرندگان عمل می‌کند. بنابراین، دقت نقشه‏های حاصل از طبقه‏بندی تصاویر ماهواره‏ای، در عدم قطعیت جهت ‏مدیریت شهری بسیار تاثیر گذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری برای تولید نقشه‌های کاربری زمین هستند. هدف اصلی از این تحقیق ارائه یک روش پیشنهادی به منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری با استفاده از تلفیق داده‏های سنتینل-1 و سنتینل-2 می‌باشد. به این منظور ویژگی‌های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیه H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل-1 و ویژگی‌های باند آبی، سبز، قرمز، شاخص‌های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل-2 استخراج و به عنوان مولفه‌های تاثیرگذار جهت طبقه بندی منطقه شهری استفاده شدند. در این مطالعه به منظور جداسازی مناطق کشاورزی از سایر پوشش‌ها از شاخص رطوبت SWI استفاده شد. همچنین از داده‌های ارتفاعی نیز به منظور تفکیک بهینه کلاس‌های پیچیده با توپوگرافی متفاوت استفاده شده است. استخراج شاخص‌های تاثیرگذار از این دو مجموعه داده را در یک رویکرد شیءگرا مبتنی بر الگوریتم‌‌های ماشین بردار پشتیبان و جنگل تصادفی را جهت طبقه‌بندی کاربری زمین ارزیابی کردیم. نتایج نشان داد که استفاده از ویژگی‌های استخراج شده از تصاویر راداری و اپتیک به طور همزمان در روش‌ طبقه‌بندی شیء گرا می‏تواند به طور کامل ویژگی‏های شیء را در ناحیه مورد مطالعه استخراج کند. برای هر دو الگوریتم طبقه‏بندی، زمانی که از داده‏های اپتیک و راداری بطور همزمان استفاده شد، افزایش دقت کلی طبقه‌بندی را به دنبال داشت. برای روش جنگل تصادفی که بالاترین دقت‌ها را ارائه داد دقت کلی برای رویکرد ترکیب داده‌های راداری و اپتیک به میزان 13 و 5 درصد به ترتیب نسبت به رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک افزایش پیدا کرده است. همچنین اختلاف معنی‏داری در دقت طبقه‏بندی در تمام سطوح بین الگوریتم طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی وجود داشت. نتایج نشان داد، دقت کلی برای روش طبقه‌بندی جنگل تصادفی و ماشین بردار پشتیبان به ترتیب برابر 83.3 و 79.8 درصد و ضریب کاپا به ترتیب 0.72 و 0.68 درصد بوده است.

کلیدواژه‌ها

• سنجش از دور، سنتینل-1، سنتینل-2، طبقه&rlm
• بندی مبتنی بر شیء، ماشین&rlm
• بردار&rlm
• پشتیبان، جنگل تصادفی

عنوان مقاله [English]

Object-Oriented Classification of Urban Areas by Fusion of Sentinel-1 and Sentinel-2 Satellite Images

نویسندگان [English]

• Reza Shahhoseini ¹
• Kamal Azizi ¹
• Arastou Zarei ²
• Fatemeh Moradi ²

¹ School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran

² School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

• remote sensing
• Sentinel-1
• Sentinel-2
• Object-oriented Classification
• Support vector machine
• Random forest