طبقه‌بندی کاربری و پوشش زمین با ترکیب الگوریتم‌های GLCM، SNIC و یادگیری ماشین در سامانه گوگل ارث انجین (مطالعه موردی: بخشی از اراضی شمال مهاباد، آذربایجان‌غربی)

نوع مقاله : مقاله پژوهشی

نویسنده

دانشگاه تربیت مدرس

چکیده

در دهه‌های گذشته، داده‌های سنجش از دور با موفقیت برای استخراج اطلاعات و تغییرات کاربری و پوشش ‌زمین (LULC) در سطوح مختلف از مقیاس محلی تا جهانی مورد استفاده قرار گرفته است. پایش دقیق و منظم این تغییرات در برنامه‌ریزی شهری و مدیریت پایدار منابع زمین ضرورت دارد. در این مطالعه، یک رویکرد شی‌گرا با ترکیب الگوریتم‌های GLCM، SNIC و یادگیری ماشین جهت طبقه‌بندی LULC بخشی از اراضی شمال مهاباد، آذربایجان‌غربی با استفاده از تصاویر ماهواره‌ای سنتینل-2 سال 2019 در سامانه گوگل ارث انجین ارائه شده است. بدین منظور، پس از آماده‌سازی مجموعه داده اولیه که شامل باندهای هدف تصاویر سنتینل-1 و سنتینل-2، مدل رقومی سطح زمین ALOS و شاخص‌های NDVI، BSI، SAVI و توان بازپراکنش کل می‌باشد، در مرحله دوم با اتخاذ دو رویکرد پیکسل‌پایه و شی‌گرا و الگوریتم جنگل تصادفی نسبت به طبقه‌بندی LULC و مقایسه نتایج حاصل از آنها جهت تبیین بهترین رویکرد از نظر دقت کلاس‌های مختلف اقدام شد. در رویکرد شی‌گرا، معیارهای بافتی با اعمال ماتریس GLCM بر روی مجموعه داده اولیه استخراج شد و با توجه به افزایش تعداد باندها، از روش PCA برای کاهش ابعاد تصویر استفاده شد. در نهایت، با ترکیب لایه قطعه‌بندی حاصل از الگوریتم SNIC و لایه PC1، الگوریتم جنگل تصادفی جهت تهیه نقشه‌های LULC محدوده مطالعاتی در نظر گرفته شد. یافته‌های تحقیق نشان دادند که رویکرد شی‌گرا با صحت‌کلی و ضریب کاپا معادل 40/86% و 8307/0 نسبت‌به رویکرد پیکسل‌پایه با صحت‌کلی و ضریب کاپا 73/82% و 8028/0، نتایج بهتری را در طبقه‌بندی کاربری‌های مختلف اراضی منطقه مورد مطالعه داشته است. نتایج معیارهای ارزیابی صحت نشان دادند که صحت تولیدکننده اکثر کلاس‌های کاربری به‌جز ذرت، سبزیجات آبی پاییزه و گندم و جو آبی در رویکرد شی‌گرا نسبت‌به روش پیکسل‌پایه بالاتر و دقت طبقه‌بندی آنها بیش‌تر از 90% بوده است. علاوه‌بر این، کاربری‌های/پوشش‌های پهنه‌ آبی، ساخته‌شده، ذرت و چغندرقند بیشترین صحت کاربر را در نقشه LULC شی‌گرا به خود اختصاص داده‌اند. یافته‌های تحقیق نشان دادند که تعیین مناسب اندازه سوپرپیکسل الگوریتم خوشه‌بندی SNIC و به‌کارگیری معیارهای بافتی GLCM به طور موثری عملکرد رویکرد پیشنهادی در طبقه‌بندی کاربری و پوشش زمین را بهبود می‌بخشد.

کلیدواژه‌ها


عنوان مقاله [English]

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)

نویسنده [English]

  • mahdi naderi
Tarbiat Modares University
چکیده [English]

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 and sustainable management of land resources. 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. 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 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 segmentation layer obtained from the SNIC algorithm and the PC1 layer, the random forest algorithm was considered to produce land use and land cover maps of the study area. 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, and 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. 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.

کلیدواژه‌ها [English]

  • Object-Oriented Classification
  • Random Forest
  • Spectral Indices
  • Radar and Optic data
  • Super-pixel Size