مقایسة دقت روش‌های ماشین بردار پشتیبان و جنگل تصادفی در تهیة نقشة کاربری اراضی و محصولات زراعی، با استفاده از تصاویر چندزمانة سنتینل-2

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد گروه تخصصی سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدة منابع طبیعی و محیط‌زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

2 دانشیار پژوهشی، پژوهشکدة حفاظت خاک و آبخیزداری سازمان تحقیقات، آموزش و ترویج کشاورزی

3 استادیار پژوهشی، پژوهشکدة حفاظت خاک و آبخیزداری سازمان تحقیقات، آموزش و ترویج کشاورزی

چکیده

نقشه‌های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه‌ریزی صحیح، هرساله مورد نیاز مدیران حوزة کشاورزی، منابع طبیعی و زیست‌محیطی است. روش برداشت میدانی با جی‌پی‌اس (GPS) و نقشه‌برداری زمینی مستلزم صرف زمان و هزینه‌های بسیار است. بنابراین، اغلب از تصاویر ماهواره‌ای، که دارای پوشش سراسری و توالی برداشت، هزینة کم و اطلاعات به‌هنگام‌اند، استفاده می‎شود تا نقشه‌های پوشش/کاربری زمین به‌دست آید. تهیة نقشة دقیق با روش مناسب روز موضوعی کلیدی است. طی سال‌های اخیر، استفاده از تصاویر ماهواره‌ای جدید و روش‌های نوین طبقه‌بندی، به‌ویژه یادگیری ماشین، رشد فزاینده‎ای داشته و کارآیی آنها در تهیة نقشه‌های پوشش/کاربری اراضی بسیار موفقیت‌آمیز بوده است. یکی دیگر از مزایای تصاویر ماهواره‌ای برداشت‌های متوالی است و براساس آن، می‌توان از تغییرات پوشش گیاهی در طول زمان، برای تفکیک نوع پوشش، استفاده کرد. ماهوارة سنتینل-2، با امتیاز پیکسل 10متری، یکی از ابزارهای مناسب برای تفکیک نوع پوشش محسوب می‌شود. در این تحقیق، برای تفکیک انواع کاربری اراضی و محصولات زراعی دشت سنجابی روانسر، از تصاویر چندزمانة سنتینل-2 و روش‌های طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدین‌منظور، پس از نمونه‌برداری، تحلیل مؤلفه‌های اصلی برای چهار تاریخ دورة رشد محصولات اجرا شد و باندهای PC1، PC2 و PC3 تصاویر با هم ترکیب شدند. دو روش روی ترکیب باند‌های PC1، PC2 و PC3 تصاویر و نمونه‌های تعلیمی اعمال شدند. ارزیابی دقت‌ها نشان داد ماشین بردار پشتیبان، با صحت کلی 91.36% و ضریب کاپای 0.8927، نقشة کاربری اراضی و محصولات دقیق‌تری، در قیاس با روش جنگل تصادفی، تولید می‌کند.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Accuracy Between Support Vector Machine and Random Forest Classifiers for Land Use and Crop Mapping Using Multi-Temporal Sentinel-2 Images

نویسندگان [English]

  • Zeinab Ghodsi 1
  • Mir Masoud Kheirkhah Zarkesh 2
  • Bagher Ghermezcheshmeh 3
1 Department of RS-GIS, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University
2 Soil Conservation and Watershed Management Research Institute-SCWMRI
3 Soil Conservation and Watershed Management Research Institute-SCWMRI
چکیده [English]

Land-cover/land-use maps are necessary for monitoring land changes and proper planning for managers in agriculture, natural resources and environment fields each year. The method of field data collection using GPS and land survey is time-consuming and costly. Therefore satellite images which have entire coverage and repetition of collection, low cost and real-time data, are usually used so that land-cover/land-use maps are produced. Accurate mapping using technique suitable for today is a key factor. Although in the past, conventional classification methods have been applied to images such as Landsat, using new satellite images and modern classifiers specially machine learning has been growing recently and their effectiveness in preparing land-cover/land-use maps has been very successful. Another advantage of satellite images is repetitious collection and according to that, vegetation changes through time can be used to differentiate land cover types. The Sentinel-2 satellite with the superiority of a pixel rating of 10 meters is one of the appropriate tools to discriminate land cover types. In the current study, Support Vector Machine and Random Forest classifiers on multi-temporal Sentinel-2 images were used to differentiate land use and crop types of Sanjabi plain in Ravansar and their accuracies were compared. To do so, after sampling, Principal Component Analysis was performed for four dates in crops’ growing season and PC1,2,3 bands of the images were combined. The two techniques were implemented on the layerstacks of PC1,2,3 bands of the images and the training samples. Results of accuracy assessments showed that Support Vector Machine, with overall accuracy of 91.36% and Kappa coefficient of 0.8927, produces a more precise land use and crop map rather than Random Forest method.

کلیدواژه‌ها [English]

  • Support Vector Machine
  • Random Forest
  • Multi-temporal Sentinel-2 Images
  • Land Use
  • Crops
اصغری، ف.، 1396، تخمین میزان تولید محصول ذرت با استفاده از مدل سنجش از دوری GRAMI، پایان‌نامة کارشناسی ارشد رشتة RS و GIS گرایش هواشناسی ماهواره‌ای، دانشکدة محیط‌زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات.
جهانبخشی، ف.، اختصاصی، م.ر.، ۱۳۹۷، ارزیابی عملکرد سه روش‌ طبقه‌بندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و بیشترین شباهت) در تهیة نقشة کاربری اراضی، علوم آب و خاک (علوم‌وفنون کشاورزی و منابع طبیعی)، سال 22، شمارة 4، صص. ۲47-۲35.
خیرخواه زرکش، م.م.، میرزاپور، س.، صفا، م.، 1396، آموزش نرم‌افزار ENVI 5.3، انتشارات مهرگان قلم، تهران.
زبیری، م.، مجد، ع.، 1392، آشنایی با فن سنجش از دور و کاربرد در منابع طبیعی، انتشارات دانشگاه تهران، تهران.
شفیعی، م.، سرکارگر اردکانی، ع.، وحیدنیا، م.ح.، 1396، مقایسة طبقهبندی با الگوریتمهای جنگل تصادفی و شبکههای عصبی بر روی تصاویر شبیه‌سازی‌شدة ابرطیفی، بیست‌وچهارمین همایش ملی ژئوماتیک، سازمان نقشه‌برداری کشور، تهران.
شنانی هویزه، س.م.، زارعی، ح.، 1395، مقایسة‌ الگوریتم‌های طبقهبندی شبکة‌ عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال در استخراج نقشة کاربری اراضی حوزة آبخیز ابوالعباس، علوم و مهندسی آبخیزداری ایران، سال 10، شمارة 33، صص. 85-73.
صحبتلو، ل.، 1396، تعیین نیاز آبی محصول گندم با استفاده از تکنیک‌های سنجش از دور (مطالعة موردی: شهرستان روانسر)، پایان‌نامة کارشناسی ارشد RS و GIS گرایش آب و خاک، دانشکدة محیط‌زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات.
صمدزادگان، ف.، حسنی، ح.س.، 1391، تعیین ماشین‌های بردار پشتیبان بهینه در طبقه‌بندی تصاویر فراطیفی برمبنای الگوریتم ژنتیک، فنّاوری اطلاعات و ارتباطات ایران، سال 4، شماره‌های 13 و 14، صص. 24-9.
علوی‌پناه، س.ک.، 1395، کاربرد سنجش از دور در علوم زمین (علوم خاک)، انتشارات دانشگاه تهران، تهران.
عینی زیناب، ح.، صاحبی، م.ر.، 1394، طبقه‌بندی تصاویر ابرطیفی در مناطق شهری با روش جنگل تصادفی، بیست‌ودومین همایش ملی ژئوماتیک، سازمان نقشه‌برداری کشور، تهران.
فاطمی، س.ب.، رضائی، ی.، 1393، مبانی سنجش از دور، انتشارات آزاده، تهران.
قاسمی اسفهلان، ا.، ولدان‌زوج، م.ج.، صاحبی، م.ر.، 1392، طبقهبندی تصویر ابرطیفی و لیدار با استفاده از الگوریتم جنگل تصادفی، بیستمین همایش ملی ژئوماتیک، سازمان نقشه‌برداری کشور، تهران.
مهدوی ع.، فلاح شمسی، س.ر.، 1391، تهیة نقشة تغییرات سطح جنگل با استفاده از عکسهای هوایی و تصاویر LISS-III ماهوارة IRS (مطالعة موردی: شهرستان ایلام)، پژوهش‌های علوم و فنّاوری چوب و جنگل، سال 19، شمارة 1، صص. 91-77.
میرزایی‌زاده و.، نیک‌نژاد، م.، اولادی قادیکلایی، ج.، 1394، ارزیابی الگوریتمهای طبقهبندی نظارتشدة غیرپارامتریک در تهیة نقشة پوشش زمین با استفاده از تصاویر لندست 8، سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، سال 6، شمارة 3، صص. 44-29.
یوسفی، ص.، تازه، م.، میرزایی، س.، مرادی، ح.ر.، توانگر، ش.، 1393، مقایسة الگوریتمهای مختلف طبقهبندی تصاویر ماهواره‌ای در تهیة نقشة کاربری اراضی (مطالعة موردی: شهرستان نور)، سنجش از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، سال 5، شمارة 3، صص. 76-67.
Ali, M.I., Dirawan, G.D., Hasim, A.H. & Abidin, M.R., 2019, Detection of Changes in Surface Water Bodies Urban Area with NDWI and MNDWI MethodsInternational Journal on Advanced Science, Engineering and Information Technology, 9(3), PP. 946-951.
Basukala, A.K., Oldenburg, C., Schellberg, J., Sultanov, M. & Dubovyk, O., 2017, Towards Improved Land Use Mapping of Irrigated Croplands: Performance Assessment of Different Image Classification Algorithms and Approaches, European Journal of Remote Sensing, 50(1), PP. 187-201.
Breiman, L., 2001, Random Forests, Machine Learning, 45(1), PP. 5-32.
Chuvieco, E., 2016, Fundamentals of Satellite Remote Sensing: An Environmental Approach (2nd Ed.), Boca Raton/London/New York: CRC Press Taylor & Francis.
Clark, M.L. & Kilham, N.E., 2016, Mapping of Land Cover in Northern California with Simulated HyspIRI Imagery, ISPRS Journal of Photogrammetry and Remote Sensing, 119, PP. 228-245.
ESA (European Space Agency), 2015, User Guide of Sentinel-2 MSI.
      http://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi.
Fernandex-Delgado, M., Cernadas, E., Barro, S. & Amorim, D., 2014, Do We Need Hundreds of Classifiers to Solve Real World Classification Problems?, Journal of Machine Learning Research, 15, PP. 3133-3181.
Forkuor, G., Dimobe, K., Serme, I. & Ebagnerin Tondoh, J., 2017, Landsat-8 vs. Sentinel-2 Examining the Added Value of Sentinel-2’s Red-Edge Bands to Land-Use and Land-Cover Mapping in Burkina Faso, GIScience & Remote Sensing, 55(3), PP. 331-354.
Gómez, C., White, J.C. & Wulder, M.A., 2016, Optical Remotely Sensed Time Series Data for Land Cover Classification: A Review, ISPRS Journal of Photogrammetry and Remote Sensing, 116, PP. 55-72.
Guidici, D. & Clark, M.L., 2017, One-Dimensional Convolutional Neural Network Land-Cover Classification of Multi-Seasonal Hyperspectral Imagery in the San Francisco Bay Area, California, Remote Sensing, 9(6), P. 629.
Gulácsi, A. & Kovács, F., 2020, Sentinel-1-Imagery-Based High-Resolution Water Cover Detection on Wetlands, Aided by Google Earth Engine, Remote Sensing, 12(10), P. 1614.
Immitzer, M., Vuolo, F. & Atzberger, C., 2016, First Experience with Sentinel-2 Data for Crop and Tree Species Classifications in Central Europe, Remote Sensing, 8(3), P. 166.
 
Jensen, J., 2005, Introductory Digital Image Processing: A Remote Sensing Perspective (3rd Ed.), Prentice Hall, Upper Saddle River, NJ.
Jeong, J., Resop, J.P., Mueller, N.D., Fleisher, D.H., Yun, K., Butler, E.E., Timlin, D.J., Shim, K.M., Gerber, J.S., Reddy, V.R. & Kim, S.H., 2016, Random Forests for Global and Regional Crop Yield Predictions, PLoS One, 11(6).
Khatami, R., Mountrakis, G. & Stehman, S.V., 2016, A Meta-Analysis of Remote Sensing Research on Supervised Pixel-Based Land-Cover Image Classification Processes- General Guidelines for Practitioners and Future Research, Remote Sensing of Environment, 177, PP. 89-100.
Liu, C.L., 2008, Partial Discriminative Training for Classification of Overlapping Classes in DocumentAnalysis, International Journal on Document Analysis and Recognition, 11(2), PP. 53-65.
Mather, P.M. & Tso, B., 2009, Classification Methods for Remotely Sensed Data, CRC Press, Boca Raton.
Mathur, A. & Foody, G.M., 2008, Crop Classification by Support Vector Machine with Intelligently Selected Training Data for an Operational Application, International Journal of Remote Sensing, 29(8), PP. 2227-2240.
Mitchell, T.M., 2017, Machine Learning (1st Ed.), Mc Graw Hill, India.
OTB Team, 2018, OTB CookBook Documentation, Release 6.6.1. http://www.orfeo-toolbox.org/packages/ archives/Doc/CookBook-6.6.1.pdf
Raczko, E. & Zagajewski, B., 2017, Comparison of Support Vector Machine, Random Forest and Neural Network Classifiers for Tree Species Classification on Airborne Hyperspectral APEX Images, European Journal of Remote Sensing, 50(1), PP. 144-154.
Richards, J.A., 1995. Remote Sensing Digital Image Analysis: An Introduction (2nd Ed.), Springer, Berlin.
Rujoiu-Mare, M.R., Olariu, B., Mihai, B.A., Nistor, C. & Săvulescu, I., 2017, Land Cover Classification in Romanian Carpathians and Sub-Carpathians Using Multi-Date Sentinel-2 Remote Sensing Imagery, European Journal of Remote Sensing, 50(1), PP. 496-508.
Vapnik, V.N., 1995, The Nature of Statistical Learning Theory, Springer-Verlag, New York.