ارزیابی قابلیت داده های همدوسی تداخل‌سنجی راداری سنتینل -1 جهت تهیه نقشه پوشش زمین

در این مطالعه، جهت ارزیابی قابلیت های سری زمانی داده های تداخل‌سنجی رادار دریچه مصنوعی (insar) و یادگیری ماشین در تهیه نقشه پوشش زمین، داده های ماهواره سنتینل 1 (شامل 16 تصویر slc با تفکیک زمانی تقریباً 24 روزه) در بازه زمانی 2018 تا 2020 برای محدوده ای از شهرستان اهواز در استان خوزستان استفاده شدند. از طریق پردازش های insar، تعداد 25 تصویر همدوسی بر اساس جفت تصاویر رادار در بازه های زمانی مختلف تولید گردیدند. پنج طبقه غالب پوشش زمین در منطقه شامل: اراضی ساخته شده، اراضی کشاورزی، پهنه های آبی، خاک لخت و پوشش گیاهی طبیعی متراکم، شناسایی و در نظر گرفته شدند. با استفاده از تصاویر قدرت تفکیک مکانی بالای گوگل ارث، در مجموع 4930 نمونه آموزشی با توزیع مکانی مناسب برای تمامی طبقات پوشش زمین اخذ گردید. تصاویر چندزمانه همدوسی به‌عنوان ورودی طبقه‌بندی‌کننده ماشین بردار پشتیبان (svm) استفاده شدند. فرایند آموزش و ارزیابی صحت کرنل های مختلف svm به ترتیب با استفاده از 80 و 20 درصد نمونه های آموزشی صورت گرفت. بر اساس نتایج طبقه بندی، میزان صحت کلی در کرنل های خطی، چندجمله ای درجه ‌دو، چندجمله ای درجه چهار، چندجمله ای درجه شش، تابع پایه شعاعی و سیگموئید به ترتیب برابر با 60.7، 64.7، 67.7، 69.9، 66.3 و 59.5 درصد و مقدار ضریب کاپا 50.88، 55.87، 59.62، 62.38، 57.87 و 49.38 درصد ارزیابی گردید. در نتیجه، بالاترین میزان صحت کلی و ضریب کاپا برای کرنل چندجمله ای درجه شش و کمترین میزان آن برای کرنل سیگموئید به دست آمد. بر اساس نتایج ارزیابی صحت کاربر و صحت تولیدکننده در تمامی کرنل ها، اراضی ساخته شده بالاترین میزان صحت (93 98.5 درصد) و پوشش گیاهی متراکم کمترین میزان صحت (11 56.25 درصد) را به خود اختصاص دادند. به‌طورکلی نتایج حاصل، بر پتانسیل بالای داده های insar جهت شناسایی طبقات پوشش زمین تاکید دارد. در این میان، تاثیر الگوریتم طبقه بندی نیز بر میزان کارایی داده ها حائز اهمیت است.

Evaluation of Sentinel-1 Interferometric SAR Coherence efficiency for Land Cover Mapping

In this study, the capabilities of Interferometric Synthetic Aperture Radar (InSAR) time series data and machine learning have been evaluated for land cover mapping in Iran. In this way, a time series of Sentinel1 SAR data (including 16 SLC images with approximately 24 days time interval) from 2018 to 2020 were used for a region of Ahvaz County located in Khuzestan province. Using InSAR processing, 25 coherence images were obtained based on different SAR pairs. Five dominant land cover classes in the region including builtup lands, agricultural lands, water bodies, bare soil, and dense natural vegetation cover were identified and considered. Through Google Earth #39;s highresolution imagery, a total of 4,930 ground truth samples with appropriate spatial distribution were acquired for all classes. The obtained multitemporal coherence images were used as input variables to the support vector machine (SVM) classifier. The training and validation process of different SVM kernels was performed using 80% and 20% of the ground truth samples, respectively. Overall accuracy in different kernels including linear, 2thdegree polynomial, 4thdegree polynomial, 6thdegree polynomial, radial base function (RBF), and sigmoid were computed 60.7, 64.7, 67.7, 69.9, 66.3, and 59.5%, respectively. Likewise, Kappa coefficients were reported 50. 8, 55.87, 59.62, 62.38, 57.87, and 49.38%, respectively. Accordingly, the highest and lowest overall accuracy and Kappa coefficient were belong to the 6thdegree polynomial and sigmoid kernels, respectively. Based on the user and producer accuracy assessments in all kernels, the builtup lands has the highest accuracy (93% -up to 98.5%), and in opposite the dense vegetation has the lowest accuracy (11% -up to 56.25%). Generally, the results emphasize the high potential of Sentinel1 InSAR coherence data in land cover mapping. Meanwhile, the contribution of the classifier to the efficiency of data is also important.