Comparison of different algorithms for land cover mapping in sensitive habitats of Zagros using Sentinel-2 satellite image: (Case study: a part of Ilam province)

Subject Areas : Geospatial systems development

Saeedeh  Eskandari ¹ (Assist. Prof. Research Institute of Forests and Rangelands, Agricultural Research, Education and Extension Organization (AREEO), Tehran)

Received: 2018-11-13 Accepted : 2019-04-08 Published : 2019-04-21

Keywords: Support vector machine, Land cover, Ilam, Sentinel-2 satellite image,

Abstract :

The western forests and rangelands of Iran in Zagros habitats have mainly been destroyed by various reasons in recent years. The preparation of the land cover map in these sites is the first step to protect them and to prevent further destruction. The aim of this research was to select the best algorithm for land cover mapping in a part of Ilam site using the Sentinel-2 image. After providing Sentinel-2 the supervised classification of it was performed by seven different algorithms (maximum likelihood, minimum distance from the average, mahalanobis distance, spectral angle mapper, spectral correlation mapper, support vector machine, neural network). For accuracy assessment of the land cover maps, the stratified random points were created and found in the field. In the field visit, after determining the current land cover of each point in the plot area, the real land cover of each point was compared with the defined land cover of the same point in the pixel area based on classification results and the accuracy of the algorithms was evaluated. The results showed that the support vector machine algorithm had the highest accuracy in providing the land cover map with a general accuracy of 79% and a Kappa index of 0.70. The analysis of the land cover map obtained from this algorithm showed that the dense forest area was 319.64 ha, semi-dense forest area was 361.44 ha and sparse forest area was 1832.36 ha from the total area of the study area (16085.31 ha). Also, the rangeland area was 7352.78 ha, the garden area was 62.32 ha, the agricultural area was 658.42 ha and understorey agriculture was 4504.64 ha. For optimal management of this sensitive ecosystem, land cover mapping using this algorithm in certain temporal intervals is essential to investigate the forests and rangelands change and to control the human-made land uses.

References:

 

اسکندری، س. و ا. مرادی. 1391. کاربری اراضی و تحلیل عناصر چشم‌انداز روستای سیور ازنظر زیست‌محیطی. محیط‌شناسی،‌ 38(2): 35-44.

امینی، م. ر.، ش. شتایی، ه. غضنفری و م. ه. معیری. 1387. بررسی تغییرات گستره جنگل­های زاگرس با استفاده از عکس­های هوایی و تصاویر ماهواره­ای (مطالعه موردی: جنگل­های آرمرده بانه). علوم کشاورزی و منابع طبیعی، 15(2): 1-12.

آرخی، ص.، ی. نیازی و ح. ابراهیمی. 1392. مقایسه کارایی الگوریتم­های طبقه‌بندی شبکه عصبی مصنوعی و درختی در تهیه لایه کاربری اراضی با کمک داده­های ETM⁺ (مطالعه موردی: حوزه دره شهر استان ایلام). فضای جغرافیایی، 13(44): 47-72.

بزرافکن، ع. ا.، م. پیرباوقار و پ. فاتحی. ‌1393. بررسی قابلیت داده‌های سنجنده Liss-III به‌منظور تهیه نقشه تراکم تاج‌پوشش جنگل‌های زاگرس (مطالعه موردی جنگل‌های مریوان). مجله جنگل ایران، 6(4): 387-401.

حیدریان، پ.، ک. رنگزن، س. ملکی و ا. تقی­زاده. 1392. پایش تغییرات کاربری اراضی با استفاده از روش مقایسه پس از طبقه­بندی تصاویر ماهواره لندست (مطالعه موردی: اراضی شهر تهران). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(4): 1-10.

داودی منظم، ز.، ع. حاجی­نژاد، م. عباس­نیا و س. پورهاشمی. 1393. پایش تغییرات کاربری اراضی با استفاده از تکنیک سنجش‌ازدور (مطالعه موردی: شهرستان شهریار). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(1): 1-13.

دریکوندی، ا.، م. خسروی، م. تاسه و ا. حیدرپور منفرد. 1393. بررسی تغییرات گستره جنگل‌های زاگرس میانی با استفاده از تفسیر عکس‌های هوایی و بهره­گیری از GIS (مطالعه موردی: منطقه کاکا رضای استان لرستان). اکوسیستم­های طبیعی ایران، 5(4): 95-109.

زبیری، م. 1386. بیومتری جنگل. چاپ اول، انتشارات دانشگاه تهران، 405 صفحه.

شتایی، ش. و ا. عبدی. 1386. تهیه نقشه کاربری اراضی در مناطق کوهستانی با استفاده از داده­های سنجنده (منطقه موردمطالعه: حوزه سرخاب خرم­آباد لرستان). علوم کشاورزی و منابع طبیعی، 14(1): 1-10.

فتحی­زاد، ح.، س. ر. فلاح­شمسی، ع. مهدوی و ص. آرخی. 1394. مقایسه دو روش طبقه­بندی حداکثر احتمال و شبکه عصبی مصنوعی آرتمپ فازی در استخراج نقشه پوشش مرتعی (مطالعه موردی: مرتع حوزه دویرج دهلران). تحقیقات مرتع و بیابان ایران، 22(1): 59-72.

فلاح، ا.، م. زبیری، ا. رحیمی­پور سی­سخت، و ح. نقوی. 1391. بررسی چهار روش نمونه‌برداری به‌منظور برآورد سطح تاج­پوشش در جنگل­های بلوط زاگرس (مطالعه موردی: جنگل­های مهریان شهرستان یاسوج). تحقیقات جنگل و صنوبر ایران، 20(2): 194-203.

ملکی، د. 1389. مدل­سازی توسعه شهری با استفاده از روش آتوماتای سلولی. پایان­نامه کارشناسی ارشد، دانشگاه خواجه‌نصیرالدین طوسی، 122 صفحه.

مهدوی، ع. و س. ر. فلاح شمسی. 1391. تهیه نقشه تغییرات سطح جنگل با استفاده از عکس­های هوایی و تصاویر   LISS-III ماهواره  IRS (مطالعه موردی: شهرستان ایلام). پژوهش­های علوم و فناوری چوب و جنگل، 19(1): 77-91.

مهدوی، ع.، س. رنگین، ح. مهدی­زاده، و و. میرزایی­زاده. 1396. ارزیابی روند تغییرات پوشش جنگلی و تعیین مهم‌ترین عوامل فیزیوگرافی مرتبط با تخریب جنگل­ها در استان ایلام (مطالعه موردی: شهرستان سیروان). تحقیقات حمایت و حفاظت جنگل­ها و مراتع ایران، 15(1): 1-16.

میرزایی‌زاده، و.، م. نیک‌نژاد و ج. اولادی قادیکلایی. 1394. ارزیابی الگوریتم‌های طبقه‌بندی نظارت‌شده غیرپارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 29-44.

نیازی، ی.، م. اختصاصی، ح. ملکی­نژاد، و س. ز. حسینی. 1389. مقایسه دو روش طبقه­بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی (مطالعه موردی: حوزه سد ایلام). جغرافیا و توسعه، 20: 119-132.

یوسفی، ص.، م. تازه، س. میرزایی، ح. ر. مرادی و ش. توانگر. 1393. مقایسه الگوریتم­های مختلف طبقه­بندی تصاویر ماهواره­ای در تهیه نقشه کاربری اراضی (مطالعه موردی: شهرستان نور). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(3): 67- 76.

Andrieu J. 2018. Land cover changes on the West-African coastline from the Saloum Delta (Senegal) to Rio Geba (Guinea-Bissau) between 1979 and 2015. European Journal of Remote Sensing, 51(1): 314-325.

Anonymous. 2006. Erdas Imagine Tour Guide. Leica Geosystems Geospatial Imaging, LLC, USA. 758p.

Çakir G, Sivrikaya F, Keleş S. 2008. Forest cover change and fragmentation using Landsat data in Maçka State Forest Enterprise in Turkey. Environmental Monitoring and Assessment, 137(1-3): 51-66.

Chauhan H, Nayak S. 2005. Land use/land cover changes near Hazira Region, Gujarat using remote sensing satellite data. Journal of the Indian society of Remote Sensing, 33(3): 413-420.

Erbek FS, Özkan C, Taberner M. 2004. Comparison of maximum likelihood classification method with supervised artificial neural network algorithms for land use activities. International Journal of Remote Sensing, 25(9): 1733-1748.

ESA (European Space Agency). 2015. User guide of Sentinel-2 level-1C. Available at: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/processing-levels/level-1.

Hawryło P, Bednarz B, Wężyk P, Szostak M. 2018. Estimating defoliation of Scots pine stands using machine learning methods and vegetation indices of Sentinel-2. European Journal of Remote Sensing, 51(1): 194-204.

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(166): 2-27.

Inglada J, Arias M, Tardy B, Hagolle O, Valero S, Morin D, Dedieu G, Sepulcre G, Bontemps S, Defourny P. 2015. Assessment of an operational system for crop type map production using high temporal and spatial resolution satellite optical imagery. Remote Sensing, 7(9): 12356-12379.

Jędrych M, Zagajewski B, Marcinkowska-Ochtyra A. 2017. Application of Sentinel-2 and EnMAP new satellite data to the mapping of alpine vegetation of the Karkonosze Mountains. Polish Cartographical Review, 49(3): 107-119.

Melesse AM, Graham WD, Jordan JD. 2003. Spatially distributed watershed mapping and modeling: thermal maps and vegetation indices to enhance land cover and surface microclimate mapping (part 1). Journal of Spatial Hydrology, 3(2): 325-338.

Mustafa A, Rienow A, Saadi I, Cools M, Teller J. 2018. Comparing support vector machines with logistic regression for calibrating cellular automata land use change models. European Journal of Remote Sensing, 51(1): 391-401.

Mustapha M, Lim H, Iafri MM. 2010. Comparison of Neural Network and Maximum Likelihood Approaches in Image Classification. Journal of Applied Sciences, 10(22): 2847-2854.

Phan ThN, Kappas M, Degener J. 2017. Land cover classification using Sentinel-2 image data and random forest algorithm. ICGRS 2017, Proceedings of The 19th International Conference on Geoscience and Remote Sensing, 18-19 September, Rome, 613- 617.

Puletti N, Chianucci F, Castaldi C. 2017. Use of Sentinel-2 for forest classification in Mediterranean environments. Annals of Silvicultural Research, doi: 10.12899/ASR-1463.

Kumar R, Nandy S, Agarwal R, Kushwaha S. 2014. Forest cover dynamics analysis and prediction modeling using logistic regression model. Ecological Indicators, 45: 444-455.

Stefanov WL, Ramsey MS, Christensen PR. 2001. Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers. Remote sensing of Environment, 77(2): 173-185.

Szostak M, Hawryło P, Piela D. 2018. Using of Sentinel-2 images for automation of the forest succession detection. European Journal of Remote Sensing, 51(1): 142-149.

Topaloglu RH, Sertel E, Musaoglu N. 2016. Assessment of classification accuracies of Sentinel-2 and Landsat8 data for land cover/use mapping. Proceedings of The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XLI-B8, 2016 XXIII ISPRS Congress, 12-19 July, Prague, 1055-1059.