طبقه‏بندی شیءگرای مناطق شهری با تلفیق تصاویر سنتینل‌ 1 و سنتینل‌ 2

نقشه‌های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه‌های انسانی را توصیف می‌کنند که به‌منزله ابزار برنامه‌ریزی مهمی برای تصمیم‌گیرندگان عمل می‌کند؛ بنابراین دقت نقشه‏های حاصل از طبقه‏بندی تصاویر ماهواره‏ای در عدم قطعیت به‌منظور ‏مدیریت شهری بسیار تاثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه‌های کاربری زمین شمرده می‌شوند. هدف اصلی از این تحقیق پیشنهاد‌کردن روشی به‌منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق داده‏های سنتینل‌ 1 و سنتینل‌ 2 است. به این منظور، ویژگی‌های ضریب بازپراکنش راداری vv و دو پارامتر حاصل از روش تجزیه hα (آنتروپی، آلفا) از تصاویر راداری سنتینل‌ 1 و ویژگی‌های باند آبی، سبز، قرمز، شاخص‌های ndvi، ndwi، mndwi و swi از تصاویر اپتیک سنتینل‌ 2 استخراج و به منزله مولفه‌های تاثیرگذار در طبقه‌بندی منطقه شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش‌ها، از شاخص رطوبت swi استفاده شد. همچنین داده‌های ارتفاعی برای تفکیک بهینه کلاس‌های پیچیده با توپوگرافی متفاوت به‌کار رفت. استخراج شاخص‌های تاثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم‌ های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه‌بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به‌کارگرفتن ویژگی‌های استخراج‌شده از تصاویر راداری و اپتیک به‌طور هم‌زمان، در روش‌ طبقه‌بندی شیء‌گرا، می‏تواند ویژگی‏های شیء را به‌طور کامل در ناحیه مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقه‏بندی، زمانی که از داده‏های اپتیک و راداری به‌طور هم‌زمان استفاده شد، دقت کلی طبقه‌بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت‌ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده‌های راداری و اپتیک به‌میزان 13 و 5%، به‌ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنی‏داری در دقت طبقه‏بندی، در تمامی سطوح، بین الگوریتم طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می‌شود. نتایج نشان داد که دقت کلی درمورد روش طبقه‌بندی جنگل تصادفی و ماشین بردار پشتیبان به‌ترتیب برابر 3/83 و 79/8% و ضریب کاپا به‌ترتیب 0/72 و 0/68% بوده است.

Object-Oriented Classification of Urban Areas Using a Combination of Sentinel-1 and Sentinel-2 Images

Land use maps describe the spatial distribution of natural resources, cultural landscapes, and humansettlements that are essential for decision-makers. Therefore, the accuracy of maps obtained from theclassification of satellite images is very effective in uncertainty for urban management. Due to theuniform quality of images in large areas at regular intervals, remote sensing images are essential forland use maps. The primary purpose of this study is to present a proposed method to create anaccurate land cover map in urban areas using a combination of Sentinel-1 and Sentinel-2 data. For thispurpose, the features of the backscattering coefficient VV and the two parameters obtained from theH-α decomposition method (entropy, alpha) of Sentinel-1 radar images and the features of the blue,green, red band, NDVI, NDWI, MNDWI, and SWI were extracted from Sentinel-2 Multispectralimages and used as influential components to classify the urban area. To separate agricultural areasfrom other coatings, the SWI index was used. Elevation data have also been used to optimallydistinguish complex classes with different topographies. We evaluated the extraction of effectiveindicators from these two datasets in an object-oriented approach based on support vector machinealgorithms and random forest for land use classification. The results showed that using propertiesextracted from radar and Multispectral images simultaneously in the object-oriented classificationmethod could altogether determinate the object's properties in the study area. When optical and radardata were used simultaneously for both classification algorithms, the overall accuracy classificationincreased. For the stochastic forest method, which provided the highest accuracy, the overall accuracyfor the radar and optics data combination approach increased by 13% and 5%, respectively, comparedto the radar feature approach and the optics feature approach alone. There was also a significantdifference in classification accuracy at all levels between the support vector machine classificationalgorithm and the random forest. The results showed that the random forest classification method'soverall accuracy and support vector machines were 83.3 and 79.8%, respectively, and the kappacoefficient was 0.72 and 0.68%, respectively.