ارزیابی کارایی اطلاعات جغرافیایی داوطلبانه در طبقه‌بندی تصاویر سنتینل 2 با هدف شناسایی تغییرات کاربری مناطق شهری (مطالعۀ موردی: شهر قزوین)

در چند دهۀ اخیر، مناطق شهری به‌دلیل رشد سریع جمعیت و افزایش شهرنشینی دستخوش تغییرات زیادی شده است. استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالا یکی از روش‌های کارآمد در مطالعه و شناسایی این تغییرات است. دسترسی به این تصاویر به‌دلیل هزینۀ فراوان بسیار محدود است؛ از این‌رو تصاویر ماهواره‌ای با قدرت تفکیک متوسط نظیر سنتینل به‌دلیل دسترس‌پذیری بالا در کاربردهای شهری بسیار استفاده شده است. شناسایی دقیق تغییرات شهر با استفاده از طبقه‌بندی تصاویر ماهواره‌ای نیازمند دسترسی به داده‌های زمینی صحیح برای تفکیک کلاس‌های مختلف پوشش زمین است. عملیات برداشت اطلاعات زمینی، پرهزینه و زمان‌بر است و برای تصاویر مربوط به زمان‌های گذشته امکان‌پذیر نیست. اطلاعات جغرافیایی داوطلبانه که داده‌های مربوط به یک دورۀ زمانی را جمع‌آوری می‌کند، می‌تواند یکی از منابع دادۀ حقایق زمینی باشد. با استفاده از نمونه‌های تعلیمی حاصل از اطلاعات جغرافیایی داوطلبانه، فرایند پردازش تصاویر ماهواره‌ای با سرعت بیشتری انجام می‌شود. در این پژوهش، کارایی اطلاعات جغرافیایی داوطلبانه به‌ عنوان نمونه‌های تعلیمی در طبقه‌بندی تصاویر سنتینل 2 برای شناسایی تغییرات کاربری شهر قزوین در سال‌های 1394 و 1397 بررسی شده است. بدین‌منظور صحت طبقه‌بندی تصاویر سنتینل 2 با نمونه‌های تعلیمی حاصل از اطلاعات جغرافیایی داوطلبانه با صحت طبقه‌بندی تصاویر مذکور با استفاده از نمونه‌های تعلیمی به‌دست‌آمده از تصاویر گوگل‌ارث و به‌ کمک آزمون آماری t مقایسه شده است. نتایج آزمون t با سطح اطمینان 95 درصد، برای سال‌های 1394 و 1397 نشان می‌دهد اختلاف معناداری میان نمونه‌های تعلیمی گوگل‌ارث و اطلاعات جغرافیایی داوطلبانه در طبقه‌بندی تصاویر سنتینل 2 وجود ندارد؛ بنابراین اطلاعات جغرافیایی داوطلبانه کارایی مناسبی به‌ عنوان نمونه‌های تعلیمی در طبقه‌بندی تصاویر ماهواره‌ای در مناطق شهری دارند.

Evaluating the efficiency of voluntary geographic information in Sentinel-2 images’ classification for urban land cover mapping

In recent decades, urban areas have undergone many changes due to increasing urbanization. Today, with the help of multitemporal remote sensing images, it is possible to monitor land use changes over decades. High resolution satellite images provide great opportunities to produce urban LU/LC maps. However, such images are expensive and their access are limited. Hence, mediumresolution satellite images such as Sentinel2 has been widely used in urban applications. Supervised image classifications techniques need accurate training data to detect urban features. Training data collection is difficult and timeconsuming and is not easily possible for historical images. Alternatively, voluntary geographic information (VGI) has become widely available from online sources such as OpenStreetMap (OSM), and it may provide a useful source of training data in image classification. This study aims evaluate the efficiency of VGI in classification sentinel2 time series images (for the years 1394 and 1397) to identification LU changes have been done. For this purpose, the accuracy of classification of Sentinel 2 images with training samples obtained from voluntary geographical information with the accuracy of classification of the mentioned images with training samples obtained from Google Earth images has been compared by Ttest at 95% significance level. The results of Ttest for 1394 and 1397 show that there is no significant difference between the data set of Google Earth images and VGI. Therefore, the results confirmed that the use of VGI training samples provides good results in monitoring the land use changes.