مقایسه دقت روش‌های ماشین بردار پشتیبان و جنگل تصادفی در تهیه نقشه کاربری اراضی و محصولات زراعی، با استفاده از تصاویر چندزمانه سنتینل-2

نقشه‌های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه‌ریزی صحیح، هرساله مورد نیاز مدیران حوزه 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، هزینه کم و اطلاعات به‌هنگام‌اند، استفاده می‎شود تا نقشه‌های پوشش/کاربری زمین به‌دست آید. تهیه نقشه 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 تهیه 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. ماهواره سنتینل2، 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 چندزمانه سنتینل2 و روش‌های طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدین‌منظور، پس از نمونه‌برداری، تحلیل مولفه‌های اصلی برای چهار تاریخ دوره 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، نقشه کاربری اراضی و محصولات دقیق‌تری، در قیاس با روش جنگل تصادفی، تولید می‌کند.

Comparison of Accuracy Between Support Vector Machine and Random Forest Classifiers for Land Use and Crop Mapping Using MultiTemporal Sentinel2 Images

Landcover/landuse 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 timeconsuming and costly. Therefore satellite images which have entire coverage and repetition of collection, low cost and realtime data, are usually used so that landcover/landuse 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 landcover/landuse 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 Sentinel2 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 multitemporal Sentinel2 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.