بررسی قابلیت تصاویر ماهواره‌ای Sentinel-2A در بستر Google Earth Engine برای تهیه نقشه پوشش زمین
محورهای موضوعی : جنگلداری
ناصر احمدی ثانی
1
(
دانشیار، دانشکده کشاورزی و منابع طبیعی، واحد مهاباد، دانشگاه آزاد اسلامی، مهاباد، ایران
)
کلید واژه: سنجش‌ازدور, شاخص‌های گیاهی, ضریب کاپا, الگوریتم جنگل تصادفی,
چکیده مقاله :
نقشه پوشش زمین، پراکنش مکانی چشم‌اندازهای مختلف کشاورزی، منابع طبیعی، آب و منابع انسان‌ساخت را نشان می‌دهد و به‌عنوان یک ابزار مهم برای مدیریت و کاهش ریسک در مسایل چالش‌برانگیز مانند خشکسالی و اثرات آن، امنیت غذایی، کنترل سیل و برنامه‌ریزی شهری ارزشمند است. به‌منظور غلبه بر محدودیت‌های کار میدانی در تهیه نقشه پوشش زمین، استفاده از تصاویر ماهواره‌ای به‌دلیل دارا بودن داده‌های وسیع، چندطیفی و به‌روز مناسب به نظر می‌رسد. در منطقه مورد مطالعه، وجود پدیده‌های ناهمگن مکانی نیز طبقه‌بندی پدیده‌ها را با مشکل مواجه می‌سازد. هدف اصلی این پژوهش، تهیه نقشه پوشش زمین با وضوح بالا با کاربرد تصاویر Sentinel-2A در بستر Google Earth Engine است. در این رابطه، سه الگوریتم طبقه‌بندی جنگل تصادفی، ماشین بردار پشتیبان و درخت تصمیم مورد ارزیابی و مقایسه قرار گرفت. شاخص‌های متعدد با استفاده از روش‌های تبدیل و نسبت‌گیری طیفی تهیه شد. صحت نقشه‌های حاصل از طبقه‌بندی در مقایسه با نقشه‌های مرجع زمینی ارزیابی شد. در رابطه با ارزیابی تک باندها، بهترین صحت کلی برابر 49 درصد با کاربرد شاخص CVI به دست آمد. بهترین صحت کلی و ضریب کاپا به‌ترتیب برابر 86 درصد و 0/82 توسط الگوریتم جنگل تصادفی حاصل شد. بنابراین ضمن تاکید بر مزایای GEE شامل دسترسی آسان به داده‌ها و قابلیت پردازش و مقایسه سریع آنها، می‌توان ادعا نمود که تصاویر Sentinel-2A برای تهیه نقشه پوشش زمین از لحاظ هزینه، زمان و دقت، کارآیی بالایی دارد و این نقشه می‌تواند برای مدیریت و برنامه‌ریزی منابع مختلف طبیعی و انسان ساخت در راستای توسعه پایدار بسیار مفید واقع گردد.
Land cover map show the spatial distribution of different landscapes such as agricultue, natural resources, water and man-made area. It is a valuable tool to managing and reducing risk in challenging issues such as drought and its effects, food security, flood control, and urban planning. In order to overcome the limitations of field work in the mapping of land cover, the use of satellite images due to the wide, multispectral and update data seems to be suitable. In the study area, the spatially heterogeneous landscapes also makes it difficult to classify features. Therefore, the main purpose of the study is accurate and high resolution land cover mapping using Sentinel-2A images in the Google Earth Engine platform. In this regard, three classification algorithms including RF, SVM and CART were evaluated and compared. Various indices were prepared using ratioing and transformation methods. The accuracy of the classifications was evaluated in comparison with ground reference data. Individual bands evaluation showed that the best overall accuracy (49%) was obtained using the CVI index.The best overall accuracy and kappa coefficient of 86% and 0.82 were obtained by RF algorithm. Therefore, while pointing to the advantages of the GEE including easily accessible data and the ability to process and quickly compare of data, it can be claimed that Sentinel-2A images for land cover mapping in terms of cost, time and accuracy, have high efficiency and the map can be very useful for the management and decision making in different natural and man-made resources for the successful implementation of sustainable development.
_||_
