Identification and separation of land covers by optical and RADAR image fusion

Subject Areas : Natural resources and environmental management

Mostafa Kabolizadeh ^{1 *} , Sajad Zareie ² , Rahman Khanafereh ³

1 - RS and GIS department, Earth science faculty, shahiud Chamran university of Ahvaz
2 - Department of Remote Sensing and GIS, Faculty of Earth Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3 - Department of Remote Sensing and GIS, Faculty of Earth Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran

Received: 2022-12-24 Accepted : 2023-01-28 Published : 2023-01-28

Keywords: support vector machine (SVM) method, texture features, Classification, Feature Selection, land covers in urban environments,

Abstract :

Classification and separation of land cover is one of the most important applications of remote sensing. To perform classification, multispectral satellite data are an efficient tool, but unfortunately, they are not available in some conditions, such as cloudy weather. Also, most remote sensing data classification algorithms operate based on the characteristics and spectral information of pixels, which causes the useful spatial information that can be extracted from the images to be ignored, including; The texture of the pictures. The simultaneous use of texture and spectral information is a topic that has been less discussed. Therefore, considering this idea, two methods were used to select the optimal features for preparing the land cover map. The first method is the normalized reflection of complications according to the extracted features and the second method is applying the Optimum Index Factor on the extracted textural and spectral features. For this purpose, the classification process using the Support Vector Machine method, on the Sentinel-1 radar image and the Sentinel-2 multispectral image, the optimal features selected by the two methods and the combination of image bands with the optimal features selected by It was done by two methods and finally by combining the best combination of radar and optical bands. According to the obtained results, the classification using spectral features is more accurate than the classification using texture features. By combining the optical and radar features and obtaining values of 97.07% for the overall accuracy and 0.96% for the Kappa coefficient, the classification accuracy was improved to a great extent. This research showed that by choosing optimal features and combining spectral and radar data, different features of each data can be used and better results can be achieved.

Full-Text:



 

شناسايي و تفکيک پوشش­هاي زمين با استفاده از تلفيق تصاوير اپتيک و رادار

 

چکيده

طبقه‌بندي و تفکيک پوشش زمين از مهم­ترين کاربردهاي سنجش از دور مي‌باشد. براي انجام طبقه­بندي، داده­هاي ماهواره‌اي چندطيفي ابزاري کارآمد مي‌باشند، اما متاسفانه در برخي از شرايط، مانند آب و هواي ابري در دسترس نيستند. همچنين اکثر الگوريتم­هاي طبقه­بندي داده‌هاي سنجش از دور بر اساس ويژگي‌ها و اطلاعات طيفي پيکسل‌ها عمل مي‌کنند که اين مسئله باعث ناديده گرفتن اطلاعات مکاني مفيد قابل استخراج از تصاوير، از جمله؛ بافت تصاوير مي­شود. استفاده همزمان از بافت و اطلاعات طيفي مبحثي است که به آن کمتر پرداخته شده است. بنابراين با در نظر گرفتن اين ايده جهت انتخاب ويژگي­هاي بهينه براي تهیه نقشه پوشش‌های زمين از دو روش استفاده شد. روش اول بازتاب نرمال شده عوارض با توجه به ويژگي­هاي استخراج شده و روش دوم اعمال شاخص ضريب بهينه (Optimum Index Factor) بروي ويژگي­هاي بافتی و طيفي استخراج شده مي­باشد. به اين منظور فرآيند طبقه‌بندي با استفاده از روش ماشين بردار (Support Vector Machine)، برروي تصوير راداري سنتينل-1و تصوير چندطيفي سنتينل- 2، ويژگي­هاي بهينه انتخاب شده با دو روش و ترکيب باندهاي تصوير با ويژگي­هاي بهينه انتخاب شده با دو روش و در آخر با تلفيق بهترين ترکيب باندهاي رادار و اپتيک انجام گرفت. با توجه به نتايج بدست آمده، طبقه­بندي با استفاده از ويژگي­هاي طيفي دقت بالاتري نسبت به طبقه­­بندي با استفاده از ويژگي­هاي بافت دارد. با تلفيق ويژگي­هاي اپتيک و رادار و بدست آمدن مقادير 07/97 درصد براي دقت کلي و 96/0 براي ضريب کاپا دقت طبقه بندي تا حد زيادي بهبود داده شد. اين تحقيق نشان داد که با انتخاب ويژگي‌های بهينه و تلفيق داده‌هاي طيفي و راداري مي‌توان از ويژگي‌هاي متفاوت هر یک از داده‌ها استفاده کرد و به نتايج بهتري رسید. همچنین تلفيق ويژگي بافتی از تصوير راداری و ويژگي طیفی از تصوير اپتيکی مي­تواند تاثير بسيار خوبي در بهبود نتايج طبقه­بندي پوشش زمين داشته باشد.

 

واژه­هاي کليدي: ویژگی‌های بافتی، پوشش‌هاي زمين در محیط‌های شهری، طبقه‌بندی، روش ماشين بردار پشتيبان (SVM)، انتخاب ویژگی.

 

 

مقدمه

امروزه داده‌هاي ماهواره­اي در سنجش از دور به طور گسترده‌اي مورد استفاده قرار مي­گيرند. شناسايي پديده‌ها در حوزه مديريت توسعه شهري، منابع طبيعي و زيست محيطي از جايگاه ويژه­اي برخوردار است. تهيه نقشه صحيح و دقيق از کاربري اراضي و استفاده از روش مناسب و به‌روز به موضوعي بسيار مهم تبديل شده است. در گذشته روش‌هاي معمول برداشت زميني، به لحاظ زماني، هزينه و نيروي انساني مقرون به صرفه نبودند (12). اما با ظهور فناوري‌ سنجش از دور ضمن آنکه سختي‌هاي بازديد صحرائي را به کمترين سطح کاهش داده است، توانسته به‌واسطه‌ي پوشش گسترده ماهواره‌ها، يک نماي جامع و دقيق از سايت‌هاي مطالعاتي را براي کاربران فراهم سازد که تمامي اين موارد در نهايت منجر به کاستن هزينه‌ي پژوهش شده است (13). همچنين با استفاده از تکنيک هاي سنجش از دور شناسايي و تهيه نقشه کاربري اراضي در زمان کمتري انجام مي‌شود. ماهواره‌هاي سنجش از دور مجموعه داده‌هايي با ويژگي‌هاي طيفي و مکاني گوناگون را از سطح زمين برداشت مي‌کنند که هر يک از آن‌ها توانايي بارزسازي قسمتي از خصوصيات پديده‌ها را دارند (14). در مواردي مشاهده مي‌شود که مجموعه داده‌ي حاصل از يک سنجنده خاص به تنهايي براي مطالعه‌ي هدف وپديده مورد نظر کافي نمي‌باشد. به منظور دريافت انرژي بيشتر و جلوگيري از کاهش نسبت سيگنال به نويز، تصاوير چندطيفي با دقت طيفي بالا، داراي دقت مکاني پاييني هستند و تصاوير داراي دقت مکاني بالا، گستره طيفي وسيعتري دارند (32). با کمک تلفيق تصاوير، بدست آوردن تصويري با دقت مکاني بالا و اطلاعات طيفي مناسب امکانپذير است (45). منظور از تلفيق‌ تصاوير ماهواره‌اي، آميختن مجموعه داده‌هاي مختلف جهت بالا بردن و اخذ ميزان اطلاعات بيشتر نسبت به کاربرد يک مجموعه داده‌ي منفرد مي‌باشد به طور کلي اين عمليات در سه سطح متفاوت شامل تلفیق در سطح پيکسل، تلفیق در سطح ويژگي و تلفیق در سطح تصميم‌گيري صورت مي‌پذيرد (28). تلفيق در سطح پيكسل ساده و درعين حال پرکاربردترين تکنيک تلفيق تصاوير مي‌باشد که با هدف افزايش کيفيت تصوير جهت تفسير چشمي(بصري) مورد استفاده قرار می‌گیرد (27). براي تلفيق‌ تصاوير در سطح  پيکسل روش‌هاي مختلفي ارائه شده است که پرکاربردترين آن‌ها عبارتند از: تکنيک Brovey، تلفيق تصاوير به کمک تحليل مؤلفه‌هاي اصلي و تلفيق در فضاي HIS. تلفيق در سطح ويژگي؛ ويژگي‌هاي مختلف تصوير را مانند پارامترهاي بافت، خطوط، لبه‌ها را از منابع مختلف داده استخراج كرده كه در نهايت از اين پارامترهاي استخراج شده به‌عنوان داده اصلي در پردازش‌هاي بعدي استفاده كند، اما تلفيق در سطح تصميم‌گيري نتايج الگوريتم‌هاي مربوط به منابع چندگانه را تركيب مي‌كند تا به تصميم‌گيري نهايي برسد (33). داده‌هاي اپتيک از حد تفکيک راديومتريکي مناسبي برخوردار مي‌باشند که آن‌ها را جهت تهيه نقشه کاربري‌اراضي، نقشه تغييرات، شناسايي اهداف و کاربردهاي متنوع ديگر مناسب مي‌سازد. (29). اما اين چنين داده‌هايي به‌ميزان زيادي از فاکتورهاي محيطي همچون ابرناکي، مه‌آلودگي، گرد و غبار و ميزان تشعشع خورشيدي تأثير مي‌پذيرند. داده‌هاي رادار برخلاف داده­هاي اپتيک، توانايي برداشت در تمامي شرايط آب و هوايي را دارند. اين نوع داده‌ها قابليت آن را دارند که اطلاعات باارزشي از بافت و ساختمان پديده‌ها ارائه دهند اين داده‌ها به فاکتورهايي همچون هندسه، جهت‌گيري، ميزان زبري و مقدار رطوبت عوارض روي زمين حساسيت دارند (26). از طرفي استفاده صرف از اين نوع داده‌ها در کاربردهاي شهري، طبقه­بندي، تفسيري و ... کارايي مطلوبي ندارند. وجود نويز و عدم آشکارسازي مناسب لبه‌ها از جمله ضعف‌هاي موجود در اين نوع داده‌‍‌ها مي‌باشد (41). استفاده از ويژگي‌هاي تصاوير اپتيک و راداري با توجه به مزيت‌هاي هر يک از اين طيف‌ها و اينکه منحني رفتار طيفي جسم در هريک از محدوده طيف الکترومغناطيس متفاوت است صورت می‌گیرد. هر طيف حاوي اطلاعاتي از رفتار جسم نسبت به انرژي الکترومغناطيس می‌باشد که مي‌تواند در تفکيک هر چه بهتر پوشش‌هاي زمين نقش بسزايي داشته باشد (34).

آگاهي از انواع پوشش سطح زمين و فعاليت­هاي انساني در قسمت­هاي مختلف به عنوان پايه براي برنامه­ريزي­هاي مختلف اهميت ويژه­اي دارد. کاربري اراضي مي­تواند به عنوان مفهومي ترکيبي از نظر فيزيکي، اجتماعي، فرهنگي،اقتصادي و اطلاعاتي از هر کشوري مورد توجه قرار گيرد. در حقيقت بررسي پوشش­هاي زمين و کاربري اراضي در برگيرنده روش استفاده از سطح زمين براي نيازهاي مختلف انساني می‌باشند. با توجه به اينکه آگاهي از الگوهاي کاربري اراضي و تغييرات آن در طول زمان پيش نيازي براي استفاده مطلوب از سرمايه ملي است، از اين رو استخراج نقشه­هاي پوشش زمين و کاربري اراضي به عنوان مهمترين هدف در مديريت پايگاه منابع طبيعي مي­توانند مورد توجه قرار گيرد. آگاهي از کاربري اراضي و پوشش سطح زمين شرطي اساسي در نحوه مديريت سرمايه­هاي طبيعي منطقه مي­باشد. يکي از روش­هاي موثر در شناسايي و پايش پوشش منطقه، استفاده از داده­هاي بدست آمده از تصاوير ماهواره­اي است. 

در رابطه با تلفيق تصاوير رادار و اپتيک مطالعات بسياري در داخل و خارج از ايران انجام شده است که در ادامه به برخي از مهمترين اين مطالعات اشاره مي­شود. ملک نژاد يزدي و همکاران (22) در مطالعه­اي به بررسي بهبود دقت طبقه­بندي با استفاده از ادغام تصوير تک باند ALI با تصاوير ابر طيفي Hyperion پرداختند. بر اساس يافته­ها اين تحقيق، افزودن بافت به طيف تصوير ادغامي به روش CNT دقت طبقه­بندي را به مراتب افزايش داد. محمدنژاد نيازي (23) روشي جهت ادغام تصاوير چند طيفي و پانکروماتيک مبتني برمناطق بهبوديافته پيشنهاد نمود در اين فرآيند، باند سبز به وسيله ترکيبي از باند قرمز و NIR بهبود داده شد. آناليزهاي بصري و آماري حاکي از اين مطلب بود که روش مورد بحث در اين مطالعه توانسته است کيفيت تصوير ادغام شده را نسبت به خروجي روش­هاي مرسوم بهبود دهد. در پژوهش تيموري و همکاران (37) به منظور شناسايي ساختمان در مناطق شهري از تلفيق ويژگي­هاي تصاوير نوري و راداري در شبکه عصبي استفاده نمودند به اين منظور ابتدا سه مجموعه داده بصورت جداگانه مورد ارزيابي قرار گرفته است سپس ويژگي­هاي ترکيب مختلف با يکديگر تلفيق داده شد، که نتايج تلفيق بيش از 10 درصد افزايش ضريب کاپا را نشان مي­دهد. شاکرياري و همکاران (35) در پژوهشي به مقايسه الگوريتم هاي شبکه عصبي مصنوعي و ماشين بردار پشتيبان با استفاده از داده­هاي ماهواره­اي پرداختند. نتايج نشان دادند که روش آرتمپ فازي بيشترين ميزان دقت را با صحت کلي 68/94 و ضريب کاپاي 91/0 نسبت به دو روش شبکه عصبي مصنوعي پرسپترون چند لايه با صحت کلي 99/92 درصد و ضريب کاپاي 89/0 و ماشين بردار پشتيبان با صحت کلي 93/90 درصد و ضريب کاپاي 85/0 در طبقه­بندي داده­هاي ماهواره‌اي دارد. کابلي‌زاده و همکاران (17) در تحقيقي با هدف بررسي کارايي ادغام تصاوير ماهواره‌اي مربوط به لندست8 و سنتينل-2 در پايش محيطي شهر اهواز، روش‌هاي Gram Schmidt، CN، Brovey، DWT، SFLM و Multiplication را مورد استفاده قرار دادند. آنها نتيجه گرفتند روش­هاي DWT وBrovey به ترتيب بهترين روش­ها از لحاظ حفظ اطلاعات طيفي و مكاني مي­باشد. اصغري سراسکانرود و همکاران (36) در پژوهشي به مقايسه الگوريتم‌هاي مختلف طبقه­بندي پيکسل پايه و شئ­گرا پرداختند. نتايج آنها نشان داد که از بين روش‌هاي طبقه‌بندي پيکسل پايه مورد استفاده در اين مطالعه، روش‌هاي طبقه‌بندي حداکثر احتمال و روش حداقل فاصله تا ميانگين با ضريب کاپاي به ترتيب 95/0و 85/0 از دقت قابل قبولي برخوردار هستند. همچنين مقايسه نتايج حاصل از طبقه­بندي پيکسل پايه و شئ گرا نشان داد که روش شئ گرا با اعمال پارامترهاي مؤثر در طبقه­بندي و توسعه قوانين جهت اطلاح طبقه­بندي اوليه شئ­گرا با ضريب کاپاي 95/0 از نظر دقت در استخراج نقشه کاربري اراضي از روش­هاي پيکسل پايه از اولويت برخوردار است. کيم (19)  در پژوهشي به طبقه­بندي کاربري زمين و تجزيه و تحليل تغيير کاربري زمين با استفاده از تصاوير ماهواره اي در جزيره لومبوک، اندونزي با استفاده از تصاوير ماهواره لندست و سنتينل-1 پرداختند. نتايج آنها نشان داد که در حالتي که تصاوير اپتيک با رادار تلفيق مي­شود طبقه­بندي داراي دقت بالاتري مي­باشد. کلريسي و همکاران (2) از تلفيق تصوير راداري سنتينل- 1 و تصوير نوري سنتينل- 2 براي طبقه‌بندي پوشش زمين استفاده کرده‌اند. در اين مطالعه از الگوريتم­هاي طبقه­بندي ماشين بردار پشتيبان، نزديکترين همسايگي و جنگل­هاي تصادفي استفاده شده است. در نهايت الگوريتم ماشين بردار پشتيبان بهترين دقت کلي طبقه­بندي را با 75/88 درصد داشت.

 هاس و همکاران (7) پتانسيل استفاده از تلفيق تصوير راداري سنتينل- 1 و تصوير نوري سنتينل- 2براي طبقه بندي پوشش شهري را مورد بررسي قرار داده­اند. در اين مطالعه تعداد 12 کلاس در نظر گرفتند و از الگوريتم ماشين بردار پشتيبان براي طبقه­بندي استفاده شده است. که دقت نهايي بدست آمده در اين مطالعه 80 درصد بوده است. رنگزن و همکاران (31) در مطالعه خود با عنوان نظارت متقابل همپوشي را براي بهبود قابليت تصاوير حرارتي، راداري و اپتيک براي طبقه­بندي ارائه دادند. روش به کار رفته در اين تحقيق بخوبي توانسته است در طبقه بندي، چهار کلاس سکونتگاه­ها، زمين­هاي باير، رودخانه و ساحل رودخانه از يکديگر جدا کرده همچنين به اين نتيجه رسيدند که محاسبه LST با استفاده از داده­هاي حرارتي تأثيرات مثبتي در بهبود نتايج طبقه­بندي داشته است.

توابه و فن­تاهوم (38) با هدف تهيه نقشه کاربري اراضي و شناسايي تغييرات پوشش زمين در حوضه درياچه تانا، شمال غربي اتيوپي بااستفاده از تصاوير ماهواره­اي و تکنيک­هاي پردازش تصوير در باز زماني 32 ساله پرداختند. در اين پژوهش طبقه­بندي با استفاده از شش طبقه پوشش زمين (آب، بوته زار، مرتع، جنگل، زراعي و مسکوني) انجام شد. نتايج اين مطالعه نشان داد که در دوره 32 ساله اخير، اراضي کشاورزي و مناطق مسکوني به ترتيب 61/15 درصد و 05/8 درصد افزايش معني داري در حوضه داشته­اند.

مطالعه حاضر با هدف تفکیک پوشش اراضی در شهرستان اهواز انجام شد. با توجه به این نکته که اکثر الگوريتم­هاي طبقه­بندي داده‌هاي سنجش از دور بر اساس ويژگي‌ها و اطلاعات طيفي پيکسل‌ها عمل مي‌کنند و اين مسئله باعث ناديده گرفتن اطلاعات مکاني مفيد قابل استخراج از تصاوير، از جمله؛ بافت تصاوير مي­شود. استفاده همزمان از بافت و اطلاعات طيفي مبحثي است که به آن کمتر پرداخته شده است. بنابراين با در نظر گرفتن اين ايده پژوهش حاضر با هدف انتخاب بهترين ترکيب ويژگي‌هاي طيفي و بافتي جهت بهبود دقت طبقه بندي پوشش زمين انجام شد.

 

مواد و روش

منطقه مورد مطالعه

با توجه به موقعيت و شرايط خاص اقليمي شهرستان اهواز و نيز نوع استفاده از زمين در اين شهرستان، به عنوان منطقه مطالعاتي انتخاب شد. شهرستان اهواز با مساحت 8212 کيلومتر مربع بين 30 درجه و 54 دقيقه عرض شمالي و 48 درجه و 2 دقيقه طول شرقي قرار دارد (شکل 1). شهرستان اهواز به عنوان مرکز استان خوزستان از سمت شمال به شهرستان‌هاي شوش و باوي، از غرب به شهرستان دشت آزادگان و از سمت جنوب به شهرستان‌هاي کارون، شادگان و ماهشهر و از سمت مشرق به شهرستان هاي رامشير، رامهرمز و هفتگل محدود مي‌شود. شهرستان اهواز طبق آخرين تقسيمات کشوري داراي سه بخش مرکزي،اسماعيله، غيزانيه مي­باشد در اين پژوهش منطقه مورد مطالعه قسمت اعظم بخش مرکزي اين شهرستان را شامل مي شود.

 

شکل 1. موقعيت جغرافيايي منطقه مورد مطالعه.

Fig 1. Geographical location of study area.

 

داده­هاي مورد استفاده

داده­هاي استفاده شده در اين تحقيق شامل تصاوير ماهواره سنتینل-1 مربوط به تاريخ 18 خرداد 1400 و سنتینل-2 مربوط به تاريخ 19 خرداد 1400 مي­باشد. قدرت تفکيک تصاوير سنتيل-1 از 5 متر تا 40 متر و عرض آن از 20 کيلومتر تا 400 کيلومتر بسته به حالت تصوير برداري آن متفاوت است. سنجنده سنتینل1 در چهار حالت Stripmap (SM)، InterferometricWideSwath (IW)، Extra Wideswath (EW) و WaveMode (WM)  تصویر برداری می‌کند. عرض تصوير برداري و قدرت تفکيک مکاني تصوير با توجه به هر حالت متفاوت است. در اين تحقيق، هدف مورد نظر کاربري پوشش است بنابرين از حالت تصوير برداري IW و فرمت تصوير برداري (GRD) سطح يک استفاده شد.

سنتینل-2 شامل دو ماهواره دو قلو با نام هاي Sentinel-2A و Sentinel-2B بوده و با وجود عمر مفيد 7/2 سال، مي­تواند 5 سال بيشتر هم مورد استفاده قرار گيرند. Sentinel-2A و Sentinel-2B در مداري يکسان با اختلاف فاز 180 درجه نسبت به هم قرار دارند و به صورت قطبي (خورشيد آهنگ) طراحي شده و داراي زوايه ميل گرد 58/98 درجه مي باشند. ماهواره سنتینل-2 در ارتفاع 786 کيلومتري سطح زمين قرار داشته با يک دوره 6/100 دقيقه اي (3/14 چرخش در روز) ، درساعت 10:30 به وقت محلي از استوا عبور مي کند. اين زمان منطبق با زمان عبور ماهواره SPOT و همچنين نزديک به زمان عبور ماهواره لندست از استوا است (6).

روش تحقيق

مراحل اصلي تحقيق حاضر در شکل (2) آورده شده است. ابتدا پيش­پردازش‌های لازم شامل تصحيح اتمسفري (تصوير سنتينل-2) و تصحيحات راديومتريک، کاليبراسيون، سطح زمين و تصحیح نویزاسپکل (تصوير سنتينل-1) در محبط نرم افزار SNAP انجام شد. در مرحله دوم، از تصاوير مورد استفاده ويژگي­هاي طيفي و بافتي استخراج و ويژگي­هاي بهينه مشخص شدند و در مرحله سوم، با استفاده از الگوريتم Schmidt-Gram ويژگي­هاي بهينه در محیط نرم افزار ENVI 4.8 تلفيق شدند. در مرحله چهارم، با استفاده از روش طبقه­بندي ماشين بردار پشتيبان نقشه­هاي مختلف پوشش زمین در محیط ENVI 4.8 تهيه شد. در نهايت در مرحله پنجم، هر کدام از نقشه­هاي پوشش تهيه شده مورد ارزيابي دقت قرار گرفتند.ارزیابی نقشه‌ها نیز در محیط نرم افزار ENVI 4.8 انجام شد.

 

شکل 2. مراحل اصلي روش تحقيق در اين مطالعه.

Fig 2. The main steps of the research method in this study.

 

پيش­پردازش

مهمترين مراحل پيش پردازشي که بروي تصاویر سنتینل-1 انجام شد عبارت است از کالیبراسیون سیگما صفر، فیلتر اسپکل، تصحیح اثر ناهمواری زمین و تبدیل به واحد dB می‌باشند. تصحيحات مداري تصاوير راداري باعث مي­شود که در فرآيند محاسبه اينترفرومتري، زمين مکاني و مدل رقومی ارتفاع (DEM) موثر باشد (8). از کاليبراسيون براي تبديل ميزان شدت به ضريب بازتاب سيگما نات استفاده مي­شود. به دليل نحوه برداشت تصاوير SAR، در ارتفاعات خيلي بلند و زمين­هاي شيب­دار، انحرافات شديد هندسي وجود دارد. قبل از اينکه تصاوير SAR به منظور توليد نقشه­هاي دقيق سطحي و نمايش تغييرات استفاده شوند، اين انحرافات بايد توسط فرايندي به نام تصحيحات زميني تصحيح شوند (21). اثر اسپکل هميشه در تصاوير راداري فعال و SAR وجود دارد و کيفيت اين تصاوير را کاهش مي­دهد (9). بنابراين، ضروري است به منظور افزايش کيفيت تصوير، اثر اسپکل در تصاوير راداري کاهش يابد. در تحقیق تصحیح اثر اسپکل در محیط نرم افزار SNAP و با استفاده از فیلتر لی سیگما با اندازه پنجره 7 کاهش داده شد.

تصاوير سنتينل-2 به صورت زمين مرجع شده ارائه مي­شوند و نياز به تصحيح هندسي ندارند؛ اما جهت استفاده ابتدا بايد تصحيحات اتمسفري روي آن اعمال ­گردد و از حالت بازتابش بالاي اتمسفر به بازتابش زير اتمسفر تبديل شوند. مراحل اصلي پيش­پردازش تصاوير در شکل (3) نشان داده شده است.

 

شکل 3. شماتيک مراحل پيش­پردازش.

Fig 3. Schematic of pre-processing steps.

 

ماتريس شبکه رخداد (GLCM)¹

يکي از روش هاي متداول استخراج ويژگي­هاي بافت، استفاده از ماتريس رخداد شبکه تصاوير است. Haralick و همکاران در سال 1973 اولين بار 14 ويژگي بافتي را براساس ماتريس شبکه رخداد تصاوير استخراج کردند و هر يک را به عنوان نماينده يک مشخصه معرفي کردند (1). در آناليزهاي آماري بافت، ويژگي­هاي بافتي از طريق توزيع­هاي آماري ترکيبات مشاهده شده براي درجات خاکستري در يك موقعيت خاص در رابطه با يکديگر محاسبه مي­شود. آماره­هاي بافتي معمولاً به آماره­هاي بافتي نوع اول، نوع دوم و مراتب بالاتر تقسيم­بندي مي­شوند (11). ماتريس رخداد همزمان روشي براي استخراج اطلاعات بافتي از نوع دوم مي­باشد. يك ماتريس شبکه رخداد ماتريسي است که تعداد سطرها و ستون­هاي آن مساوي با تعداد سطوح درجات خاکستري موجود در تصوير مورد استفاده مي­باشد. يعني اگر تعداد درجات خاکستري يك تصوير G تا باشد، آنگاه ابعاد ماتريس شبکه رخداد مورد نظر برابر با يك ماتريس G×G خواهد بود. عنصر ماتريسي P، ( P(i,j | Δx, Δy نشان دهنده تعداد تکرارهاي رابطه بين دو پيکسل که به وسيله فاصله پيکسلي (Δx, Δy) جدا سازي شده­اند و بر اساس رابطه همسايگي تعريف شده که يکي از پيکسل­ها داراي درجه i و ديگري داراي درجه خاکستري j مي­باشد، اتفاق مي­افتد (25). آماره‌هاي بافت استخراج شده در جدول (1) نشان داده شده است.

 

جدول 1. ويژگي­هاي بافت ماتريس شبکه رخداد (GLCM) (8).

Table 1. Texture characteristics of the Gray-Level Co-Occurrence Matrix (GLCM) (8).

 

شاخص­هاي طيفي

جهت کاهش اثرات توپوگرافي و روشنايي تصوير و بالابردن امکان تشخيص و تفکيک عوارض از اختلاف شاخص‌هاي طيفي متعددي جهت آشکار سازي عوارض استفاده مي‌شود. شاخص هاي طيفي حاصل يک محاسبه رياضي بين دو ياچند باند طيفي مي‌باشند که به‌واسطه آن، پديده مورد نظر بارزتر مي‌شود. در جدول (2) نحوه محاسبه تعدادي از شاخص‌هاي طيفي که در چهار کاربري پوشش گياهي، آب ، مناطق ساخته شده و زمين باير کارامد مي‌باشند، بيان شده است.

 

جدول 2. شاخص­هاي طيفي  مورد استفاه اين تحقيق.

Table 2. Spectral indexes used in the present research.

بافت	معادله	توصيف
ميانگين (Mean)		ميانگين، متوسط ارزش در روزنة محلي است. در اينجا ميانگين برابر با ميانگين سادة درجات خاکستري نيست.
همبستگي(correlation)		همبستگي، اندازهگيري وابستگي خطي سطح خاکستري در تصوير است. 𝜎𝑖2 و 𝜎𝑗2 واريانس ارزشها در روزنة محلي هستند.
واريانس (variance)		واريانس در روزنة محلي است
همگني (homogeneity)		همگني، صافي از بافت تصوير است. يکنواختي محلي يک جفت پيکسل را اندازه گيري مي کند. براي تصاويري با بخش هاي همگن بزرگ، اين معيار بالاتر خواهد بود.
کنترانست (contrast)		کنتراست، اندازه گيري تغييرات در GLCM است.
عدم تشابه (dissimilarity)		شباهت زيادي به کنتراست دارد؛ با اين تفاوت که وزني برابر با تفاوت درجات خاکستري به ماتريس داده مي شود؛ در حالي که در کنتراست توان دوم اختلاف به مثابة وزن استفاده مي شود.
آنتروپي (entropy)		آنتروپي، معياري از درجة آشفتگي در يک تصوير است.
زاوية تماس لحظه اي (angular second moment)		ASM ، يک اندازه گيري از يکنواختي بافت است. معياري براي اندازه گيري نرمي است. تعداد جفت پيکسلهاي تکراري را نشان مي دهد. در حالت يکنواختي کامل، مقدار آن يک و در صورت يکنواخت نبودن کامل، بسيار نزديک به صفر است.
I شمارة ستون، j شمارة رديف، pij ارزش در ماتريس سلول i و j ، N تعداد رديفها و ستونها و برابر با تعداد سطوح خاکستري است. پيکسل در روزنة محلي شاخصي از صفر است.

شاخص طيفي	رابطه	ردیف
Bi	Bi=sprt(((R*R)+(G*G))/2.0)	1
bi2	Bi2=sprt(((R*R)+(G*G)+( NIR* NIR))/2.0)	2
Bu	Bu= ndbi- ndvi	3
Ci	Ci=(R-G)/(R+G)	4
Dvi	NIR -Red = dvi	5
Mndwi	mndwi=(GMID)/(G+MID)	6
Ndbi	Ndbi = (SWIR- NIR)/( (SWIR+NIR	7
Ndpi	Ndpi=(G-SWIR)/(G+SWIR)	8
Ndti	Ndti=(R-G)/(R+G)	9
Ndvi	Ndvi= NIR- Red/ NIR+ Red	10
Savi	Savi=(1+L)/*[( NIR- Red)/ (NIR+ Red+L)]	11
Ndwi	NIR-MID)/(NIR+MID))= ndwi	12
ndwi2	ndwi2=(G-NIR)/(G+NIR)	13
Pvi	Pvi=SIN(A)*NIR-COS(A)*R	14

 

روش ماشين بردار پشتيبان(SVM)

ماشين بردار پشتيبان يک الگوريتم طبقه­بندي بوده و به عنوان يکي از بهترين تکنيک­هاي طبقه بندي شناخته مي­شود و ابن روش برخلاف الگوريتم­هاي خوشه­بندي در دسته يادگيري با نظارت محسوب مي­شود و دو فاز آموزش و تست دارد. ماشين بردار پشتيبان ابتدا توسط آقاي Vapnic براي تفکيک و دسته­بندي داده­هايي که جدايي­پذير خطي بودند ساخته شد ولي بعدها توسط خود ايشان و آقاي کورتس براي حالت غير خطي هم تعميم داده شد (43). امروزه SVM از الگوريتم­هاي پرکاربرد براي طبقه­بندي داده­هاي سنجش از دوري محسوب مي­شود. دليل عمده گسترش استفاده از اين روش و نتايج مطلوب آن در مقايسه با ديگر طبقه­بندي کننده­ها، استفاده الگوريتم ماشين بردار پشتيبان از ويژگي­هاي هندسي داده­هاي آموزشي به جاي ويژگي­هاي آماري آنهاست (26). هدف از روش ماشين بردار پشتيبان، يافتن فراصفحه­اي است که بتواند به بهترين صورت دو کلاس متمايز را از يکديگر جدا کند. حال با توجه به تفکيک­ پذير بودن کلاس­ها به صورت خطي يا غيرخطي، نحوه طبقه­بندي داده­ها و يافتن ابرصفحه توسط اين الگوريتم متفاوت خواهد بود (26).

به منظور طبقه­بندي داده­هاي با پيچيدگي بالا، داده­ها را به وسيله تابع کرنل (Φ) به فضاي با ابعاد خيلي بالاتر مي­بريم، تابع کرنل داده­ها را از فضاي ورودي به فضايي با ابعاد بالاتر به گونه­ايي تصوير مي‌کند که امکان جداسازي خطي داده­ها در آن فضا وجود داشته باشد. سپس داده­هاي آموزشي انتقال داده شده توسط يک فراصفحه بهينه در آن فضا را جداسازي مي­کند. در واقع بدون هيچ تغييري در ماهيت مسئله بهينه­سازي با بکارگيري تابع انتقال Φ داده­ها به فضايي با ابعاد بالاتر نگاشت مي­شوند تا در اين فضا سطح تصميم­گيري به صورت خطي تعيين شود (45). در  روشSVM  يافتن پارامترهاي بهينه کرنل به بازه جستجو و فواصل تعريف شده توسط کاربر بستگي دارد که در جستجوهايي که در بازه­هاي گسترده انجام مي‌شود بسيار زمان بر و کم بازده مي‌باشد (36). در اين مطالعه از تابع کرنل پايه شعاعي­اي طبقه­بندي SVM استفاده شد.

 

الگوريتم  Gram- Schmidt 

اين روش يكي از روش­هاي تلفيق تصاوير چند طيفي است كه همانند روش  PCA جز روش­هاي جايگزيني مؤلفه به حساب مي­آيد. در اين الگوريتم ابتدا با استفاده از باندهاي چند طيفي باند پانكروماتيك شبيه­سازي شده و با ساير باندها تلفيق مي­شود. سپس يك تبديل Gram Schmidt  روي تصوير چند باندي اعمال مي‌گردد كه به اندازه تعداد باندهاي تلفيق شده مؤلفه ايجاد مي­شود. در مرحله بعد با جايگزيني مؤلفه اول اين تصوير با باند پانكروماتيك اصلي تلفيق انجام مي­شود (44). از روش تبديل Gram-Schmidt در ادغام تصاوير با اهداف افزايش وضوح تصاويرچند طيفي به طور موفقيت آميزي استفاده شده است (20، 39 و 16). اين تبديل دو مزيت عمده دارد که آن را از ديگر روش­هاي ادغام جايگزيني مولفه متمايز مي­کند. در اين روش برخلاف تبديل فضاي رنگي IHS، در تعداد باندهاي طيفي که مي­توانند در يک زمان از طريق اين تبديل پردازش شوند، محدوديتي وجود ندارد. تبديل GS قادر است خصوصيات تصوير چندطيفي با تصاوير پانکروماتيک داراي قدرت تفکيک کم را در تصوير حاصل از ادغام آن با داده پانکروماتيک با قدرت تفکيک مکاني زياد حفظ کند.

 

ارزيابي دقت

معمولاً معيارهاي ارزيابي دقت به سه دسته معيارهاي ارزيابي داخلي، خارجي و نسبي تقسيم مي­شوند. معيارهاي داخلي معمولا با استفاده از پارامترهاي آماري، دقت روش مورد مطالعه را محاسبه مي­کنند .معيارهاي خارجي بر اساس مقايسه­ي نتايج با داده­هاي زمين مرجع و واقعيت زميني محاسبه مي­شوند و معيارهاي نسبي با مقايسه نتايج يک روش با روش ديگر به دست مي­آيند (40). همانطور که مشخص است، در صورت فراهم بودن داده­هاي زميني، استفاده از معيارهاي خارجي دقت، واقعي‌تر و مناسب‌تر است. معمولاً از پارامترهاي آماري براي تعيين معيارهاي ارزيابي دقت در سنجش از دور استفاده مي­شود. اين پارامترها بر اساس ماتريس خطا  که يک ماتريس مربعي با ابعاد n × n است محاسبه مي­شوند (5). اين ماتريس حاصل مقايسه داده­هاي مرجع و نتايج حاصل از طبقه‌بندي است. ستون­هاي ماتريس خطا، تعداد پيکسل­هاي هر کلاس در داده­هاي مرجع و سطرهاي آن تعداد پيکسل­هاي اختصاص يافته به هر کلاس به وسيله الگوريتم است. با استفاده از عناصر ماتريس خطا، پارامترهاي ارزيابي دقت از جمله دقت کل، ضريب کاپا، دقت کاربر و دقت توليد کننده محاسبه مي­شوند (15).

دقت کلي، نشان دهنده پيکسل­هايي است که به درستي شناسايي شده­اند که در واقع نشان دهنده دقت کلي الگوريتم است. اين پارامتر از تقسيم مجموع عناصر روي قطر اصلي ماتريس خطا به تعداد کل پيکسل­ها به دست مي­آيد .

ضريب ارزيابي کاپا، يک روش چند متغيره گسسته آماري است که تفاوت بين ماتريس خطاي حاصل از الگوريتم و ماتريس خطاي ايده­آل را مشخص مي­کند. محاسبه کاپا براساس اندازه­گيري تفاوت بين تعداد پيکسل­هايي که به درستي شناسايي شده­اند و تعداد پيکسل­هايي که به صورت نادرست تعيين شده­اند انجام مي­شود . دقت کاربر نشان دهنده احتمال آن است که در داده­هاي مرجع، پيکسلي در کلاسي قرار دارد و الگوريتم طبقه‌بندي کننده نيز آن پيکسل از تصوير را در همان کلاس قرار دهد .دقت توليد کننده نشان دهنده احتمال آن است که الگوريتم طبقه‌بندي کننده پيکسلي از تصوير را در کلاسي قرار دهد که در داده‌هاي مرجع نيز اين پيکسل در همان کلاس قرار دارد (12). در اين پژوهش از روش نمونه گيري تصادفي براي انتخاب تصادفي نمونه‌هاي آموزشي و ارزيابي استفاده شد. براي هر کدام از چهار کلاس مورد بررسي، بصورتي که در جدول (3) آمده نمونه آموزشي و تست استفاده شد.

 

جدول 3. تعداد نمونه آموزشي و تست براي هريک از کلاس­ها.

Table 3. The number of training samples and tests for each class.

نوع کلاس			تعداد کل نمونه ها در هر تصوير
شماره	نام	نمونه آموزشي		نمونه تست
1	ساخت وساز	673		256
2	پوشش گياهي	620		240
3	مناطق آبي	522		175
4	زمين باير	671		268

 

يافته­ها

انتخاب ويژگي­هاي بهينه

در تحقیق حاضر از دو روش ضريب شاخص بهينه و نمودار بازتاب نرمال عوارض به منظور انتخاب ويژگي­هاي بهينه استفاده شده است. در روش اول (ضريب شاخص بهينه) با توجه به بالاترين مقدار ضريب شاخص بهينه 3 ويژگي براي هريک از ويژگي طيفي و بافت استفاده شد که اين ويژگي­ها عبارت­اند از، زاوية تماس لحظه-VH و کنتراست-Vh و زاوية تماس لحظه-VV (جدول 4).

 

جدول 4. آماره هاي بافت با بالاترين مقدار OIF

Table 4. Texture statistics with the highest value of OIF.

OIF	ترکيب باند
10/22230	vh_زاوية تماس لحظه اي + vv_زاوية تماس لحظه اي + vh_کنتراست
37/128178	vv_کنتراست+ vv_عدم تشابهvv_آنتروپي
66/18591	vh_کنتراست+ vh_واريانس+vv_همگني
96/16162	vv_عدم تشابه + vv_آنتروپيvv_واريانس
44/10518	vh_کنتراست + vv_زاوية تماس لحظه اي+ vv_واريانس
99/10409	vv_زاوية تماس لحظه اي+ vv_کنتراست+ vv_همگني

 

در بين شاخص­هاي طيفي، 3 شاخص که بيشترين مقدار شاخص ضريب بهينه را داشتند به عنوان ويژگي بهينه براي  طبقه بندي انتخاب شدند. اين شاخص­ها عبارت­اند از، NDWI و BI2 و NDVI (جدول 5).

 

جدول 5. شاخص­هاي طيفي با بالاترين مقدار OIF

Table 5. Spectral indexes statistics with the highest value of OIF.

OIF	ترکيب باند
50/71	bi2 ndvi ndwi
47/68	bi ndvi ndwi
16/62	bi2 bu ndvi
54/61	bi2 ndvi ndwi2
39/61	bi2 mdwi ndvi
29/61	bi2 dvi ndvi

 

در روش دوم (نمودار بازتاب نرمال عوارض) 50 نمونه براي هر کلاس انتخاب شد و ميانگين بازتاب آن در ويژگي‌هاي مورد نظر برداشت شد سپس بعد از نرمال کردن مقادير بازتاب، بصورت نمودار نشان داده شد. با توجه شکل (4) از ميان16 آماره بافت استخراج شده از تصوير Sentinel-1 آماره واريانس در قطبش VH، آماره واريانس در قطبش VV ، آماره ميانگين درقطبش VV و آماره زاوية تماس لحظه اي  در قطبش VV به دليل مقدار همبستگي کمتر و در نتيجه توانايي تفکيک بيشتر عوارض براي انجام طبقه­بندي انتخاب گرديد.

 

شکل 4. بازتاب نرمال شده کاربري اراضي.

Fig 4. The normalized reflectance of the land uses.

 

با توجه به شکل (5) از ميان 14 شاخص طيفي استخراج شده از تصوير Sentinel-2 شاخص­هاي طيفي BU، MNDWI، NDBI و NDWI2  بدليل مشابهت زياد در منحنی بازتاب طیفی، حذف شدند و طبقه­بندي با 10 شاخص ديگر انجام گرفت. 

 

 

شکل 5. بازتاب نرمال شده عوارض.

Fig 4. The normalized reflectance of the land uses.

 

طبقه‌بندی با استفاده از تصاویر سنتنینل-1

تصاوير سنتينل-1 داراي دو قطبيدگي مشابه (VV) و غير مشابه (VH) مي باشند. بنابراين طبقه‌بندي با استفاده از مقادير شدت در دو قطبش VV و VH انجام گرفت، نتيجه حاصل از طبقه بندي در شکل 6 الف و نتایج حاصل از ارزیابی دقت در جدول 6 آورده شده است. تصوير بدست آمده داراي خطاي  بسيار زيادي مخصوصا درکلاس زمين باير مي‌باشد و کلاس­ها تداخل زيادي با هم دارند. دليل اين امر مي‌تواند نسبت پايين نمونه‌هاي آموزشي به مساحت در اين کلاس باشد در اين بين کلاس مناطق آبي و ساخت وساز به نسبتا خوب طبقه‌بندي شده و داراي خطا کمتري مي‌باشد. دقت کلي بدست آمده 7/81 درصد و ضريب کاپا 75/0 مي­باشد. همچنين طبقه­بندي ويژگي بهينه با استفاده از نمودار بازتاب نرمال شده عوارض انجام گرفت (شکل 6 ب). تصوير بدست آمده داراي خطا بسيار زيادي مخصوصا درکلاس زمين باير مي‌باشد و کلاس­ها تداخل زيادي با هم دارند. در اين بين کلاس مناطق آبي  بهتر طبقه‌بندي شده و داراي خطا کمتري مي‌باشد. دقت کلي بدست آمده 7/80 درصد و ضريب کاپا 74/0 مي باشد. اما در ادامه، طبقه­بندي ويژگي بهينه با استفاده از ضريب شاخص بهينه انجام گرفت (شکل 6 ج). اين تصوير نيز مانند ويژگي بهينه استخراج شده از نمودار داراي خطا بسيار زيادي درکلاس زمين باير مي‌باشد و کلاس­ها تداخل زيادي با هم دارند. در اين بين کلاس مناطق آبي  بهتر طبقه‌بندي شده و داراي خطا کمتري مي‌باشد. دقت کلي بدست آمده 4/81 و ضريب کاپا 75/0 مي­باشد. همانطور که در شکل 6 د نشان داده شده است، در اين مرحله طبقه­بندي ويژگي­هاي طيفي انتخاب شده از نمودار با باندهاي اصلي تصوير اپتيک انجام گرفت. اين تصوير نيز مانند ويژگي بهينه استخراج شده از نمودار داراي خطا بسيار زيادي در کلاس زمين باير مي‌باشد و کلاس­ها تداخل زيادي با هم دارند. در اين بين کلاس مناطق آبي وساخت وساز بهتر طبقه‌بندي شده و داراي خطا کمتري مي‌باشد. دقت کلي بدست آمده 2/84  و ضريب کاپا 79/0 مي­باشد. و نهايتا، طبقه­بندي ويژگي­هاي طيفي انتخاب شده ازOIF با باندهاي اصلي تصوير اپتيک انجام گرفت (شکل 6 ث). اين تصوير داراي خطا بسيار زيادي درکلاس زمين باير مي‌باشد و کلاس­ها تداخل زيادي با هم دارند. در اين بين کلاس مناطق آبي وساخت وساز بهتر طبقه‌بندي شده و داراي خطا کمتري مي‌باشد. دقت کلي بدست آمده 4/84 درصد  و ضريب کاپا 79/0 مي­باشد.

 

 

شکل 6. الف) طبقه بندي با استفاده از تصوير SAR، ب) طبقه­بندي با استفاده ويژگي­هاي بافت تصوير SAR انتخاب شده از نمودار، ج) طبقه­بندي با استفاده ويژگي­هاي بافت تصوير SAR انتخاب شده از OIF، د) طبقه­بندي با استفاده از ترکيب  ويژگي­هاي بافت تصوير SAR انتخاب شده از نمودار با باندهاي تصوير SAR، ث) طبقه­بندي با استفاده از ترکيب  ويژگي­هاي بافت تصوير SAR انتخاب شده از OIF با باندهاي اصلي تصوير SAR.

Fig 6. A) Classification using SAR images, B) Classification using SAR image texture characteristics selected from the graph, C) Classification using SAR image texture characteristics selected from OIF, D) Classification using SAR image texture characteristics selected from graph of the SAR bands, E) Classification using SAR image texture characteristics selected from OIF of the SAR bands.

 

جدول 6. ارزيابي نتايج طبقه بندي با استفاده از ويژگي بافت.

Table 6. Evaluation of classification results using texture characteristic.

شاخص هاي بافت

دقت توليدکننده (%)

دقت کاربر (%)

طبقه بندي

دقت کلي (%)

ضريب کاپا

ساخت وساز

پوشش گياهي

مناطق آبي

زمين باير

ساخت وساز

پوشش گياهي

مناطق آبي

زمين باير

VV, VH

71/81

75/0

08/91

55/81

46/96

26/58

87/80

77/80

74/80

9/85

باندهاي نمودار

78/80

74/0

19/81

44/85

81/93

48/63

93/75

21/75

48/85

95/87

OIF

48/81

75/0

19/81

44/85

92/92

96/66

93/75

86/75

92/92

96/66

باندهاي نمودار و باند VV, VH

25/84

79/0

08/92

38/87

81/93

22/65

3/82

08/81

89/86

21/87

باندهاي OIF و باند VV,VH

4/84

79/0

09/91

38/87

92/92

83/67

64/83

36/80

78/86

64/87

 

طبقه‌بندی با استفاده از تصاویر سنتنینل-2

نتایج طبقه‌بندی با استفاده از تصوير اپتيک که در آن از باندهاي 2 و 3 و 4 و 8 تصوير چند طيفي سنتينل-2 براي طبقه‌بندي استفاده شده است در  شکل 7 الف آورده شده است. در اين طبقه‌بندي نيز همانند طبقه‌بندي داده­هاي راداري، خروجي بدست آمده داراي خطا مي‌باشد ولي نسبت به روش هاي قبل بسيار کمتر مي‌باشند (جدول7)، هم چنين تداخل بين کلاس­هاي پوشش گياهي و مناطق آبي و زمين باير کمتر ديده مي‌شود. کلاس آب نيز به خوبي تشخيص داده شده است. در کل دقت طبقه‌بندي نسبت به داده‌هاي راداري بسيار بهتر مي‌باشد. دقت کلي بدست آمده 8/89 درصد  و ضريب کاپا 86/0 مي­باشد. با توجه به شکل 7 ب، در اين بخش ويژگي­ها بهينه طيفي انتخاب شده از نمودار از تصوير چند طيفي سنتينل-2 براي طبقه­بندي استفاده گرديد. نتايج طبقه‌بندي با استفاده از شاخص­هاي طيفي انتخاب شده از نمودار که شامل (VI  وNDWI و SAVI و NDVI وNDTI و NDBI و DVI و CI وBI و BI2) مي باشند در شکل 7 ب نشان داده شده است. در اين طبقه‌بندي خروجي بدست آمده داراي خطا کلي مي‌باشد همچنين تداخل بين کلاس­ها کمتر ديده مي‌شود. کلاس آب نيز دوباره به خوبي تشخيص داده شده است. بيشترين تداخل در کلاس ساخت و ساز و زمين باير مي­باشد. در کل دقت طبقه‌بندي نسبت به داده‌هاي راداري بسيار بهتر مي‌باشد. دقت کلي بدست آمده 44/94 درصد و ضريب کاپا 92/0 مي­باشد. در ادامه همچنين ويژگي­هاي بهينه طيفي انتخاب شده از OIF از تصوير چند طيفي سنتينل-2 براي طبقه­بندي استفاده گرديد. نتايج طبقه‌بندي با استفاده از شاخص­هاي طيفي انتخاب شده از نمودار (NDWI2 و BI و BI2 و NDVI و MNDWI و DVI) در شکل 7 ج نشان داده شده است. در اين طبقه‌بندي خروجي بدست آمده داراي خطاکمي مي‌باشد همچنين تداخل بين کلاس­هاي پوشش گياهي و مناطق آبي، زمين باير کمتر ديده مي‌شود. کلاس آب نيز دوباره به خوبي تشخيص داده شده است. بيشترين تداخل در کلاس ساخت و ساز و زمين باير مي باشد. در کل دقت طبقه‌بندي نسبت به داده‌هاي راداري بسيار بهتر مي‌باشد. دقت کلي بدست آمده 5/93 درصد و ضريب کاپا 91/0 مي­باشد. همچنين طبقه­بندي ديگري با استفاده از ترکيب ويژگي­هاي طيفي انتخاب شده از نمودار با باندهاي اصلي تصوير اپتيک انجام گرفت (شکل 7 د). در اين بخش ويژگي­ها بهينه طيفي انتخاب شده از نمودار از تصوير چند طيفي سنتينل-2 (  باندهاي 2 و 3 و 4 و 8 ) براي طبقه بندي استفاده گرديد. در اين طبقه‌بندي خروجي بدست آمده داراي خطا مي‌باشد ولي بسيار کمتر مي‌باشند، هم چنين تداخل بين کلاس­ها کمتر ديده مي‌شود. کلاس آب و پوشش گياهي به خوبي تشخيص داده شده است. بيشترين تداخل در کلاس ساخت و ساز و زمين باير مي­باشد . دقت کلي بدست آمده 2/94 درصد و ضريب کاپا 92/0 مي­باشد. و در نهايت، طبقه بندي با استفاده از ترکيب ويژگي­هاي بهينه طيفي انتخاب شده از OIF و تصوير چند طيفي سنتينل-2 ( باندهاي 2 و 3 و 4 و 8 ) انجام گرفت که نتايج آن در شکل 7 ث نشان داده شده است. در اين طبقه‌بندي خروجي بدست آمده داراي خطا مي‌باشد ولي بسيار کمتر مي‌باشند، هم چنين تداخل بين کلاس­ها کمتر ديده مي‌شود. کلاس آب و پوشش گياهي به خوبي تشخيص داده شده است. بيشترين تداخل در کلاس ساخت و ساز و زمين باير مي­باشد. دقت کلي بدست آمده 7/93 درصد و ضريب کاپا 91/0 مي­باشد.

 

 

شکل 7. الف) طبقه بندي با استفاده از تصوير اپتيک، ب) طبقه­بندي با استفاده ويژگي­هاي بهينه طيفي تصوير اپتيک انتخاب شده از نمودار، ج) طبقه بندي با استفاده ويژگي هاي طيفي تصوير اپتيک انتخاب شده از OIF، د) طبقه­بندي با استفاده از ترکيب ويژگي­هاي طيفي انتخاب شده از نمودار با باندهاي اصلي تصوير اپتيک، ث) طبقه­بندي با استفاده از ترکيب ويژگي­هاي طيفي انتخاب شده از OIF با باندهاي اصلي تصوير اپتيک.

Fig 7. A) Classification using optical images, B) Classification using the optimal spectral characteristics of optical image selected from the graph, C) Classification using the optimal spectral characteristics of optical image selected from the OIF, D) Classification using the combination of spectral characteristics selected from the graph with the main bands of optical image, E) Classification using the combination of spectral characteristics selected from the OIF with the main bands of optical image.

 

 

جدول 7. ارزيابي نتايج طبقه بندي با استفاده از ويژگي طيفي.

Table 6. Evaluation of classification results using spectral characteristic.

شاخص هاي طيفي

دقت توليدکننده (%)

دقت کاربر (%)

طبقه بندي

دقت کلي (%)

ضريب کاپا

ساخت وساز

پوشش گياهي

مناطق آبي

زمين باير

ساخت وساز

پوشش گياهي

مناطق آبي

زمين باير

باندها2348

81/89

86/0

13/87

5/92

93

04/73

95/73

2/94

26/95

42/88

باندهاي نمودار

44/94

92/0

13/87

7/95

25/95

43/90

89/88

1/95

01/96

66/89

OIF باندهاي

51/93

91/0

20/80

26/93

2/94

04/93

01/91

68/94

41/94

29/86

باندهاي نمودار وباند2و3و4و8

21/94

92/0

13/87

68/94

26/94

57/89

88

1/96

41/94

15/91

باندهاي OIF وباند2و3و4و8

75/93

91/0

16/84

56/94

65/94

43/90

54/80

27/95

26/95

14/88

 

 

طبقه بندي با استفاده از تلفيق تصاوير

در اين پژوهش با تلفيق بهترين ترکيب باندهاي راداري سنتينل- 1 و بهترين ترکيب باندهاي تصوير چندطيفي سنتينل-2 طبقه­بندي انجام شد. بدين منظور با توجه به ارزيابي نتايج بدست آمده بهترين ترکيب باندهاي مشخص شده و با استفاده از الگوريتم Gram-Schmidt تلفيق انجام داده و طبقه­بندي به روش ماشين بردار پشتيبان پياده­سازي گرديد (شکل 8). در اين طبقه‌بندي خروجي بدست آمده داراي کمترين خطا مي‌باشد. کلاس‌هاي مختلف به خوبي طبقه­بندي شدند، هم چنين تداخل بين کلاس‌ها کمتر ديده مي‌شود. تنها تداخل کمي بين کلاس زمين باير و کلاس ساخت و ساز مشاهده مي­شود. دقت کلي بدست آمده 07/97 درصد و ضريب کاپا 96/0مي­باشد.

 

شکل 8. طبقه­بندي با تلفيق بهترين ترکيب ويژگي­ها.

Fig 8. Classification by using the best composition of features. 

 

 

 

 

 

جدول 8. ارزيابي نتايج طبقه بندي با استفاده از تلفيق ويژگي بافت و طيفي.

Table 8. Evaluation of classification results using texture and spectral characteristics.

تلفيق آماره هاي بافت با شاخص هاي طيفي			دقت توليدکننده					دقت کاربر
طبقه بندي	دقت کلي	ضريب کاپا		ساخت وساز	پوشش گياهي	مناطق آبي	زمين باير		ساخت وساز	پوشش گياهي	مناطق آبي	زمين باير
تلفيق بهترين ترکيب بافت با بهترين ترکيب طيفي	97.0732%	0.9610		93.14	95.71	100.00	99.36		95.00	95.36	96.2	93.67

 

بحث و نتيجه­گيري

امروزه داده‌هاي ماهواره اي در سنجش از دور به طور گسترده اي مورد استفاده قرار مي گيرند. طبقه‌بندي وتفکيک پوشش زمين از مهمترين کاربردهاي سنجش از دور در اين راستا مي‌باشد. براي کاربردهاي طبقه بندي، داده‌هاي ماهوارهاي چندطيفي ابزاري کارآمد مي‌باشند، اما متاسفانه در برخي از شرايط، مانند آب و هواي ابري در دسترس نيستند. اين مشکل را مي‌توان با داده‌های  SARحل کرد. اخيرا قدرت تفکيک مکاني و زماني داده‌هاي رادار بهبود پيدا کرده است. اکثر الگوريتم‌هاي طبقه‌بندي داده‌هاي سنجش از دور بر اساس ويژگي‌ها و اطلاعات طيفي پيکسل‌ها عمل مي‌کنند. اين مسئله باعث ناديده گرفتن اطلاعات مکاني مفيد قابل استخراج از اين تصاوير، مانند؛ بافت تصاوير مي شود. گاهي اطلاعات بافت بدست آمده از داده‌ي راداري را مي‌توان به صورت يك لايه‌‌ي اطلاعاتي اضافي براي تفكيك كلاس‌هايي كه شباهت طيفي دارند، استفاده كرد. استفاده هم زمان از بافت و اطلاعات طيفي مبحثي است که به آن کمتر پرداخته شده است. بر اين اساس با تلفيق داده هاي طيفي و راداري مي‌توانيم از ويژگي‌هاي متفاوت هرکدام استفاده کرده و به نتايج بهتري دست پيدا کنيم. طبقه‌بندی حاصل از تلفیق دو سنجنده سنتینل1 و 2 دارای صحت بهتری نسبت به نتایج بدست آمده از طبقه‌بندی تصاویر سنتینل1 و سنتینل 2 بصورت جداگانه می‌باشند . همچنین استفاده از تصاویر سری زمانی قابلیت بالایی در تفکیک محصولات کشاورزی دارند و آمار حاصل از این روش‌ها با آمار زمینی توافق بالایی دارد. در این میان پلاریزاسیون VH سنتینل1 نیز دارای سهم پوشش گیاهی قوی می‌باشد و به خوبی با شاخص NDVI قابلیت تلفیق دارد. (3). محققان دیگری نیز تصاویر ماهواره‌ای مختلف را به منظور دستیابی به دقت و صحت بیشتر تلفیق کرده اند (4). هدف از پژوهش حاضر دست يابي به دقت بالا در طبقه بندي پوشش زمين با استفاده از تلفيق بهترين ويژگي بافت تصوير SAR و بهترين ويژگي طيفي تصوير سنتينل-2 مي باشد. اين هدف با استخراج ويژگي هاي بافت با استفاده از ماتريس رخداد همرمان از تصوير راداري سنتينل-1 و شاخص‌هاي طيفي از تصوير سنتينل-2 اعمال گرديد. در اين پژوهش براي انتخاب ويژگي‌هاي بهينه براي توليد نقشه پوشش زمين از دو روش استفاده شد. روش اول بازتاب نرمال شده عوارض با توجه به ويژگي هاي استخراج شده و روش دوم اعمال شاخص ضريب بهينه (OIF) بروي ويژگي هاي بافت وطيفي استخراج شده مي‌باشد. به اين منظور فرايند طبقه‌بندي با استفاده از روش ماشين بردار ( SVM)، بروي  تصوير راداري سنتينل-1 و تصوير چندطيفي سنتينل- 2 انجام گرفت. ويژگي‌هاي بهينه انتخاب شده بادو روش آن و ترکيب باندهاي تصوير با ويژگي‌هاي بهينه انتخاب شده با دو روش آن طبقه بندي صورت گرفت. و در آخر با تلفيق بهترين ترکيب باندهاي رادار واپتيک انجام گرفت. الگوريتم استفاده شده در اين تحقيق Gram- Schmidt که يکي الگوريتم هاي تلفيق در سطح پيکسل مي باشد، برخلاف تبديل فضاي رنگي IHS، در تعداد باندهاي طيفي که مي­توانند در يک زمان از طريق اين تبديل پردازش شوند، محدوديتي وجود ندارد. از ماتريس خطا که حاصل مقايسه پيکسل­هاي واقعيت زمين و پيکسل‌هاي متناظر در خروجي روش­هاي طبقه بندي پوشش زمين است، پارامترهاي دقت کلي، ضريب کاپا، دقت توليدکننده و دقت کاربر براي کليه روش­هاي مورد استفاده در اين پژوهش برآورد شدند. با توجه به نتايج بدست آمده، با تلفيق ويژگي­هاي اپتيک و رادار دقت کلي 07/97 درصد و ضريب کاپاي 96/0 طبقه­بندي بهبود داده شد. 

 

 

 

منابع

Albregtsen F. 2008. Statistical texture measures computed from gray level coocurrence matrices. Image processing laboratory, department of informatics, university of oslo.

Clerici N, Valbuena Calderón C, Posada J. 2017. Fusion of Sentinel-1A and Sentinel-2A data for land cover mapping: a case study in the lower Magdalena region, Colombia. Journal of Maps, 13(2), 718-726.

Cervantes J, Garcia-Lamont F, Rodríguez-Mazahua L, Lopez A. 2020. A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408: 189-215

Congalton RG, Green K. 2019. Assessing the accuracy of remotely sensed data: principles and practices. CRC press.

Dihkan M, Guneroglu N, Karsli F, Guneroglu A. 2013. Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique. International Journal of Remote Sensing, 34(23), 8549-8565.

Filipponi F. 2019. Sentinel-1 GRD preprocessing workflow. Multidisciplinary digital publishing institute proceedings, 18(1), 11.

Haas J, Ban Y. 2017. Sentinel-1A SAR and sentinel-2A MSI data fusion for urban ecosystem service mapping. Remote Sensing Applications: Society and Environment, 8, 41-53.

Hu J, Ghamisi P, Zhu X. 2018. Feature extraction and selection of sentinel-1 dual-pol data for global-scale local climate zone classification. ISPRS International Journal of Geo-Information, 7(9), 379.

Haghighat M, Zonouz S, Abdel-Mottaleb M. 2013. Identification using encrypted biometrics. In International Conference on Computer Analysis of Images and Patterns (pp. 440-448). Springer, Berlin, Heidelberg.

Hoseinpour S, Mohammadzadeh A, Eslami M. 2017. Evaluation of the Textural Statistics of the Gray Level Co-Occurrence Matrix Performance for Change Detection. Journal of Geomatics Science and Technology, 6(3), 119-129.

Han, S, Li H, Gu H. 2008. The study on image fusion for high spatial resolution remote sensing images. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. XXXVII. Part B, 7, 1159-1164.

Ling J, Zhang H, Lin Y. 2021. Improving Urban Land Cover Classification in Cloud-Prone Areas with Polarimetric SAR Images. Remote Sensing, 13(22), 4708.

Ienco D, Interdonato R, Gaetano R, Minh D. H. T. 2019. Combining Sentinel-1 and Sentinel-2 Satellite Image Time Series for land cover mapping via a multi-source deep learning architecture. ISPRS Journal of Photogrammetry and Remote Sensing, 158, 11-22.

Joshi N, Baumann M, Ehammer A, Fensholt R, Grogan K, Hostert P, Waske B. 2016. A review of the application of optical and radar remote sensing data fusion to land use mapping and monitoring. Remote Sensing, 8(1), 70.

Jafar Biglou M, Saman N, Kamyar E, Fatmeh M. 2018. Investigation and prediction of land use changes for lands under the influence of sand dunes in the eastern of the city of Boshrooyeh using Remote Sensing and Geographic Information System, 6(3), 117-134. (In Persian)

Jalby W, Philippe B. 1991. Stability analysis and improvement of the block Gram–Schmidt algorithm. SIAM journal on scientific and statistical computing, 12(5), 1058-1073.

Kabulizadeh M, Rangzan K, Mohammadi Sh. 2017. Application of combining Landsat-8 and Sentinel-2 satellite images in environmental monitoring. Remote Sensing and Geographical Information System in Natural Resources, 9(3), 53-71. (In Persian)

Kranjčić N, Medak D, Župan R, Rezo M. 2019. Support vector machine accuracy assessment for extracting green urban areas in towns. Remote Sensing, 11(6), 655.

Kim C. 2016. Land use classification and land use change analysis using satellite images in Lombok Island, Indonesia. Forest Science and Technology, 12(4), 183-191.

Kong Y, Hong F, Leung H, Peng X. 2021. A Fusion Method of Optical Image and SAR Image Based on Dense-UGAN and Gram–Schmidt Transformation. Remote Sensing, 13(21), 4274.

Lee J, Grunes M, Ainsworth T, Du L, Schuler, D, Cloude S. 1999. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier. IEEE Transactions on Geoscience and Remote Sensing, 37(5), 2249-2258.

Maleknejad Yazdi A, Ghasemian H, Cesei V, Shahesvari A, Kosha H. 2014. Investigating the improvement of classification accuracy using single-band ALI image fusion with Hyperion hyperspectral images. Iran Remote Sensing and GIS, 7(3), 65-82. (In Persian)

Mohammad Nejad Niazi S, Mokhtar Zade M, Saeed Zadeh F. 2016. A Novel IHS-GA Fusion Method Based on Enhancement Vegetated Area. JGST, Journal of Geomatics Sciences and Techniques, 6 (1), 235-248. (In Persian)

Mathur A, Foody G. 2008. Multiclass and binary SVM classification: Implications for training and classification users. IEEE Geoscience and remote sensing letters, 5(2), 241-245.

Mavroforakis M, Theodoridis S. 2006. A geometric approach to support vector machine (SVM) classification. IEEE transactions on neural networks, 17(3), 671-682.

Nadizadeh Shorabeh S, Attarchi S, Minaei, F. 2020. Evaluation of the Capability of Polarimetric Radar Bands to Extract Biophysical Properties of the Earth's Surface. Physical Geography Research Quarterly, 52(1), 147-164. (In Persian)

Nadizadeh Shorabeh S, Hamzeh S, Kiavarz M, Afsharipoor S. 2018. Effects of Spatial and Temporal Land Use Changes and Urban Development on the Increase of Land Surface Temperature Using Landsat Multi-Temporal Images (Case study: Gorgan City). Geographical Urban Planning Research (GUPR), 6(3), 545-568. (In Persian)

Orynbaikyzy A, Gessner U, Conrad C. 2019. Crop type classification using a combination of optical and radar remote sensing data: A review. International journal of remote sensing, 40(17), 6553-6595.

Palubinskas G, Reinartz P, Bamler R. 2010. Image acquisition geometry analysis for the fusion of optical and radar remote sensing data. International Journal of Image and Data Fusion, 1(3), 271-282.

Pereira L, D O, Freitas C, Sant´ Anna S, Lu, D, Moran E. 2013. Optical and radar data integration for land use and land cover mapping in the Brazilian Amazon. GIScience , remote sensing, 50(3), 301-321.

Potin P, Rosich B, Grimont P, Miranda N, Shurmer I, O'Connell A, Krassenburg M. 2016. Sentinel-1 mission status. In Proceedings of EUSAR 2016: 11th European Conference on Synthetic Aperture Radar (pp. 1-6). VDE.

Rangzan K, Kabolizadeh M, Karimi D, Zareie S. 2019. Supervised cross-fusion method: a new triplet approach to fuse thermal, radar, and optical satellite data for land use classification. Environmental monitoring and assessment, 191(8), 1-12.

Sicre C. M, Fieuzal R, Baup F. 2020. Contribution of multispectral (optical and radar) satellite images to the classification of agricultural surfaces. International Journal of Applied Earth Observation and Geoinformation, 84, 101972.

Shao Z, Wu W, Guo S. 2020. IHS-GTF: A fusion method for optical and synthetic aperture radar data. Remote Sensing, 12(17), 2796.

Sarzynski T, Giam X, Carrasco L, Lee J. 2020. Combining radar and optical imagery to map oil palm plantations in Sumatra, Indonesia, using the Google Earth Engine. Remote Sensing, 12(7), 1220.

Shakriyari M, Ehsani A, Afsari R. 2018. Determination of optimal method of classification and mapping of land cover with a comparison of artificial neural network and support vector machine algorithms by satellite data Case study: (international Hamoun wetland). Journal of Environmental Science and Technology, 4(79), 193-208. (In Persian)

Saraskanrood S, khodabandelo B, Naseri A, moradi A. 2019. Extracting Land Use Map based on a comparison between Pixel-Based and Object-Oriented Classification Methods Case Study: Zanjan City, Scientific- Research Quarterly of Geographical Data (SEPEHR), 28(110), 195-208. (In Persian)

Teimouri M, Mokhtarzade M, Valadan Z. 2017. Building Detection in Urban Areas using Features Fusion of Optical and Radar Images in Neural Networks, Journal of Geospatial information technology, 4 (4), 33-51. (In Persian)

Tewabe D, Fentahun T. 2020. Assessing land use and land cover change detection using remote sensing in the Lake Tana Basin, Northwest Ethiopia. Cogent Environmental Science, 6(1), 1778998. 

Tao Z, Jun L, Keming Y, Wenshan L, Yuyu Z. 2015. Fusion algorithm for hyperspectral remote sensing image combined with harmonic analysis and gram-schmidt transform. Acta Geodaetica et Cartographica Sinica, 44(9), 1042.18(1), 11.

Wu R, Liu G, Zhang R, Wang X, Li Y, Zhang B, Xiang, W. 2020. A deep learning method for mapping glacial lakes

Wang L, Jia Y, Yao Y, Xu D. 2019. Accuracy Assessment of Land Use Classification Using Support Vector Machine and Neural Network for Coal Mining Area of Hegang City, China. Nature Environment , Pollution Technology, 18(1).

Yue S, Li P, Hao P. 2003. SVM classification: Its contents and challenges. Applied Mathematics-A Journal of Chinese Universities, 18(3), 332-342.

Yu H, Kim S. 2012. SVM Tutorial-Classification, Regression and Ranking. Handbook of Natural computing, 1, 479-506.

Yilmaz V, Serifoglu Yilmaz C, Güngör O, Shan J. 2020. A genetic algorithm solution to the gram-schmidt image fusion. International Journal of Remote Sensing, 41(4), 1458-1485.

Zhang H, Li J, Wang T, Lin H, Zheng Z, Li Y, Lu Y. 2018. A manifold learning approach to urban land cover classification with optical and radar data. Landscape and Urban Planning, 172, 11-24.

 

Absract

Classification and separation of land cover is one of the most important applications of remote sensing. To perform classification, multispectral satellite data are an efficient tool, but unfortunately, they are not available in some conditions, such as cloudy weather. Also, most remote sensing data classification algorithms operate based on the characteristics and spectral information of pixels, which causes the useful spatial information that can be extracted from the images to be ignored, including; The texture of the pictures. The simultaneous use of texture and spectral information is a topic that has been less discussed. Therefore, considering this idea, two methods were used to select the optimal features for preparing the land cover map. The first method is the normalized reflection of complications according to the extracted features and the second method is applying the Optimum Index Factor on the extracted textural and spectral features. For this purpose, the classification process using the Support Vector Machine method, on the Sentinel-1 radar image and the Sentinel-2 multispectral image, the optimal features selected by the two methods and the combination of image bands with the optimal features selected by It was done by two methods and finally by combining the best combination of radar and optical bands. According to the obtained results, the classification using spectral features is more accurate than the classification using texture features. By combining the optical and radar features and obtaining values of 97.07% for the overall accuracy and 0.96% for the Kappa coefficient, the classification accuracy was improved to a great extent. This research showed that by choosing optimal features and combining spectral and radar data, different features of each data can be used and better results can be achieved. Also, the combination of texture feature from radar image and spectral feature from optical image can have a very good effect in improving the results of land cover classification.

Keywords: Texture features, land covers in urban environments, classification, support vector machine (SVM) method, feature selection.

 

شناسايي و تفکيک پوشش­هاي زمين با استفاده از تلفيق تصاوير اپتيک و رادار

 

پیشینه و هدف: امروزه داده‌هاي ماهواره­اي در سنجش از دور به طور گسترده‌اي مورد استفاده قرار مي­گيرند. شناسايي پديده‌ها در حوزه مديريت توسعه شهري، منابع طبيعي و زيست محيطي از جايگاه ويژه­اي برخوردار است. تهيه نقشه صحيح و دقيق از کاربري اراضي و استفاده از روش مناسب و به‌روز به موضوعي بسيار مهم تبديل شده است. در گذشته روش‌هاي معمول برداشت زميني، به لحاظ زماني، هزينه و نيروي انساني مقرون به صرفه نبودند اما با ظهور فناوري‌ سنجش از دور ضمن آنکه سختي‌هاي بازديد صحرائي را به کمترين سطح کاهش داده است، توانسته به‌واسطه‌ي پوشش گسترده ماهواره‌ها، يک نماي جامع و دقيق از سايت‌هاي مطالعاتي را براي کاربران فراهم سازد. مطالعه حاضر با هدف تفکیک پوشش اراضی در شهرستان اهواز انجام شد. با توجه به این نکته که اکثر الگوريتم­هاي طبقه­بندي داده‌هاي سنجش از دور بر اساس ويژگي‌ها و اطلاعات طيفي پيکسل‌ها عمل مي‌کنند و اين مسئله باعث ناديده گرفتن اطلاعات مکاني مفيد قابل استخراج از تصاوير، از جمله؛ بافت تصاوير مي­شود. استفاده همزمان از بافت و اطلاعات طيفي مبحثي است که به آن کمتر پرداخته شده است. بنابراين با در نظر گرفتن اين ايده پژوهش حاضر با هدف انتخاب بهترين ترکيب ويژگي‌هاي طيفي و بافتي جهت بهبود دقت طبقه بندي پوشش زمين انجام شد.

مواد و روش:‌ داده­هاي استفاده شده در تحقيق حاضر شامل تصاوير ماهواره سنتینل-1 مربوط به تاريخ 18 خرداد 1400 و سنتینل-2 مربوط به تاريخ 19 خرداد 1400مي­باشد. تصاویر اخد شده نیازمند پیش پردازش هستند بنابراین ابتدا پيش­پردازش‌های لازم شامل تصحيح اتمسفري (تصوير سنتينل-2) به روش Sen2core اعمال شد. مهمترين مراحل پيش پردازشي که بروي تصاویر سنتینل-1 انجام شد عبارت است از کالیبراسیون سیگما صفر، فیلتر اسپکل، تصحیح اثر ناهمواری زمین و تبدیل به واحد dB می‌باشند لازم به ذکر است که کلیه پیش پردازش‌ها در محیط نرم افزار SNAP بر روی تصاویر اعمال شدند. در مرحله دوم، از تصاوير مورد استفاده ويژگي­هاي طيفي و بافتي استخراج و ويژگي­هاي بهينه مشخص شدند و در مرحله سوم، با استفاده از الگوريتم Schmidt-Gram ويژگي­هاي بهينه تلفيق شدند. در مرحله چهارم، با استفاده از روش طبقه­بندي ماشين بردار پشتيبان نقشه­هاي مختلف پوشش زمین در محیط نرم افزار ENVI 4.8 تهيه شد. در نهايت در مرحله پنجم، هر کدام از نقشه­هاي پوشش تهيه شده  با استفاده از شاخصهای دقت کلی، ضریب کاپا، دقت تولید کننده و دقت کاربر مورد ارزيابي قرار گرفتند.

نتایج و بحث: در تحقیق حاضر از دو روش ضريب شاخص بهينه و نمودار بازتاب نرمال عوارض به منظور انتخاب ويژگي­هاي بهينه استفاده شده است. در روش اول (ضريب شاخص بهينه) با توجه به بالاترين مقدار ضريب شاخص بهينه 3 ويژگي براي هريک از ويژگي طيفي و بافت استفاده شد که اين ويژگي­ها عبارت­اند از، زاوية تماس لحظه-VH و کنتراست-Vh و زاوية تماس لحظه-VV. در بين شاخص­هاي طيفي، 3 شاخص که بيشترين مقدار شاخص ضريب بهينه را داشتند به عنوان ويژگي بهينه براي طبقه بندي انتخاب شدند. اين شاخص­ها عبارت­اند از، NDWI و BI2 و NDVI. در روش دوم (نمودار بازتاب نرمال عوارض) 50 نمونه براي هر کلاس انتخاب شد و ميانگين بازتاب آن در ويژگي‌هاي مورد نظر برداشت شد سپس بعد از نرمال کردن مقادير بازتاب، بصورت نمودار نشان داده شد. از ميان16 آماره بافت استخراج شده از تصوير Sentinel-1 آماره واريانس در قطبش VH، آماره واريانس در قطبش VV ، آماره ميانگين درقطبش VV و آماره زاوية تماس لحظه اي در قطبش VV به دليل مقدار همبستگي کمتر و در نتيجه توانايي تفکيک بيشتر عوارض براي انجام طبقه­بندي انتخاب گرديد. از ميان 14 شاخص طيفي استخراج شده از تصوير Sentinel-2 شاخص­هاي طيفي BU، MNDWI، NDBI و NDWI2  بدليل مشابهت زياد در منحنی بازتاب طیفی، حذف شدند و طبقه­بندي با 10 شاخص ديگر انجام گرفت. در اين پژوهش با تلفيق بهترين ترکيب باندهاي راداري سنتينل- 1 و بهترين ترکيب باندهاي تصوير چندطيفي سنتينل-2 طبقه­بندي انجام شد. بدين منظور با توجه به ارزيابي نتايج بدست آمده بهترين ترکيب باندهاي مشخص شده و با استفاده از الگوريتم Gram-Schmidt تلفيق انجام داده و طبقه­بندي به روش ماشين بردار پشتيبان پياده­سازي گرديد (شکل 8). در اين طبقه‌بندي خروجي بدست آمده داراي کمترين خطا مي‌باشد. کلاس‌هاي مختلف به خوبي طبقه­بندي شدند، هم چنين تداخل بين کلاس‌ها کمتر ديده مي‌شود. تنها تداخل کمي بين کلاس زمين باير و کلاس ساخت و ساز مشاهده مي­شود. دقت کلي بدست آمده 07/97 درصد و ضريب کاپا 96/0مي­باشد.

نتیجه‌گیری: هدف از اين پژوهش دست يابي به دقت بالا در طبقه بندي پوشش زمين با استفاده از تلفيق بهترين ويژگي بافت تصوير SAR و بهترين ويژگي طيفي تصوير سنتينل-2 مي باشد. اين هدف با استخراج ويژگي هاي بافت با استفاده از ماتريس رخداد همرمان از تصوير راداري سنتينل-1 و شاخص‌هاي طيفي از تصوير سنتينل-2 اعمال گرديد. در اين پژوهش براي انتخاب ويژگي‌هاي بهينه براي توليد نقشه پوشش زمين از دو روش استفاده شد. روش اول بازتاب نرمال شده عوارض با توجه به ويژگي هاي استخراج شده و روش دوم اعمال شاخص ضريب بهينه (OIF) بروي ويژگي هاي بافت وطيفي استخراج شده مي‌باشد. به اين منظور فرايند طبقه‌بندي با استفاده از روش ماشين بردار ( SVM)، بروي تصوير راداري سنتينل-1 و تصوير چندطيفي سنتينل- 2 انجام گرفت. ويژگي‌هاي بهينه انتخاب شده بادو روش آن و ترکيب باندهاي تصوير با ويژگي‌هاي بهينه انتخاب شده با دو روش آن طبقه بندي صورت گرفت. و در آخر با تلفيق بهترين ترکيب باندهاي رادار واپتيک انجام گرفت. الگوريتم استفاده شده در اين تحقيق Gram-Schmidt که يکي الگوريتم هاي تلفيق در سطح پيکسل مي باشد، برخلاف تبديل فضاي رنگي IHS، در تعداد باندهاي طيفي که مي­توانند در يک زمان از طريق اين تبديل پردازش شوند، محدوديتي وجود ندارد. از ماتريس خطا که حاصل مقايسه پيکسل­هاي واقعيت زمين و پيکسل‌هاي متناظر در خروجي روش­هاي طبقه بندي پوشش زمين است، پارامترهاي دقت کلي، ضريب کاپا، دقت توليدکننده و دقت کاربر براي کليه روش­هاي مورد استفاده در اين پژوهش برآورد شدند. با توجه به نتايج بدست آمده، با تلفيق ويژگي­هاي اپتيک و رادار دقت کلي 07/97 درصد و ضريب کاپاي 96/0 طبقه­بندي بهبود داده شد. 

واژه­هاي کليدي: ویژگی‌های بافتی، پوشش‌هاي زمين در محیط‌های شهری، طبقه‌بندی، روش ماشين بردار پشتيبان (SVM)، انتخاب ویژگی.

 

 

 

 

Identification and separation of land covers by combining optical and radar images

 

Background and purpose: Today, satellite data are widely used in remote sensing. Identification of phenomena in the field of urban development management, natural resources and environment has a special position. Preparing a correct and accurate map of land use and using an appropriate and up-to-date method has become a very important issue. In the past, the usual methods of land collection were not economical in terms of time, cost and manpower, but with the advent of remote sensing technology, while reducing the difficulties of field visits to the lowest level, it has been able to provide a comprehensive and accurate view due to the wide coverage of satellites. To provide study sites for users. The present study was carried out with the aim of distinguishing land cover in Ahvaz city. Considering the fact that most remote sensing data classification algorithms operate based on the characteristics and spectral information of pixels, and this problem ignores useful spatial information that can be extracted from images, including; The texture of the pictures. The simultaneous use of texture and spectral information is a topic that has been less discussed. Therefore, considering this idea, the current research was conducted with the aim of choosing the best combination of spectral and textural features to improve the accuracy of land cover classification.

Materials and methods: The data used in the present research include Sentinel-1 satellite images related to June 18, 1400 and Sentinel-2 related to June 19, 1400. The captured images need pre-processing, so first the necessary pre-processing including atmospheric correction (Sentinel-2 image) was applied using Sen2core method. The most important pre-processing steps that were performed on Sentinel-1 images are zero sigma calibration, speckle filter, correction of the unevenness of the ground and conversion to dB unit. It should be noted that all pre-processing was applied to the images in SNAP . In the second step, spectral and textural features were extracted from the used images and the optimal features were determined, and in the third step, the optimal features were combined using the Schmidt-Gram algorithm. In the fourth step, different land cover maps were prepared using the support vector machine classification method in ENVI 4.8 software environment. Finally, in the fifth step, each of the prepared coverage maps were evaluated using the general accuracy indices, Kappa coefficient, manufacturer's accuracy and user's accuracy.

Results and discussion: In this research, two methods of optimum index coefficient and normal reflection diagram of complications were used in order to select optimal characteristics. In the first method (optimal index coefficient), according to the highest value of the optimum index coefficient, 3 features were used for each of the spectral and texture features, and these features are moment contact angle-VH and contrast-Vh and moment contact angle. -VV. Among the spectral indices, 3 indices that had the highest value of the optimal coefficient index were selected as the optimal feature for classification. These indices are NDWI, BI2 and NDVI. In the second method (normalized reflection diagram of complications), 50 samples were selected for each class and the average of its reflection in the desired features was taken, then after normalizing the reflection values, it was shown as a graph. Among the 16 texture statistics extracted from the Sentinel-1 image, variance statistics in VH polarization, variance statistics in VV polarization, mean statistics in VV polarization and momentary contact angle statistics in VV polarization due to the lower correlation value and as a result, the ability to separate more complications to perform Classification was selected. Among the 14 spectral indices extracted from the Sentinel-2 image, the BU, MNDWI, NDBI and NDWI2 spectral indices were removed due to the great similarity in the spectral reflectance curve, and the classification was done with 10 other indices. In this research, classification was done by combining the best combination of Sentinel-1 radar bands and the best combination of Sentinel-2 multispectral image bands. For this purpose, according to the evaluation of the obtained results, the best combination of bands was identified and combined using the Gram-Schmidt algorithm, and the classification was implemented using the support vector machine method (Figure 8). In this classification, the obtained output has the least error. Different classes were well classified, also the interference between classes is less visible. There is only a slight overlap between the barren land class and the construction class. The overall accuracy obtained is 97.07% and the kappa coefficient is 0.96.

Conclusion: The aim of this research is to achieve high accuracy in land cover classification by combining the best texture feature of SAR image and the best spectral feature of Sentinel-2 image. This goal was implemented by extracting the texture features using the Hammarman occurrence matrix from the Sentinel-1 radar image and spectral indices from the Sentinel-2 image. In this research, two methods were used to select the optimal features for the production of the land cover map. The first method is the normalized reflection of complications according to the extracted features, and the second method is applying the optimal factor index (OIF) on the extracted spectral texture features. For this purpose, the classification process was performed using the vector machine (SVM) method on Sentinel-1 radar image and Sentinel-2 multispectral image. The optimal features selected by its method and the combination of image bands with the optimal features selected by its two methods were classified. And finally, it was done by combining the best combination of optical radar bands. The Gram-Schmidt algorithm used in this research, which is one of the integration algorithms at the pixel level, unlike the IHS color space conversion, there is no limit in the number of spectral bands that can be processed at one time through this conversion. From the error matrix, which is the result of the comparison of ground reality pixels and the corresponding pixels in the output of land cover classification methods, parameters of overall accuracy, kappa coefficient, manufacturer's accuracy and user's accuracy were estimated for all the methods used in this research. According to the obtained results, the overall accuracy of 97.07% and Kappa coefficient of 0.96 was improved by combining the optical and radar features.

Keywords: Texture features, land covers in urban environments, classification, support vector machine (SVM) method, feature selection.

---

[1]  Gray Level Co-Occurrence Matrix

---