ارزیابی کارایی فیلترهای کاهش اسپکل در تهیه نقشه کاربری اراضی با استفاده از ترکیب تصاویر سنتینل1 و سنتینل2 (مطالعه موردی: بندر ماهشهر)

یکی از مهم‌ترین مسائل برنامه ریزی شهری، وجود نقشه‌های کاربری اراضی و پوشش زمین است. در دسترس بودن نقشه های کاربری اراضی موجب استفاده بهینه از امکانات و ظرفیت‌های موجود در مناطق شهری و برنامه‌ریزی هدفمند می‌شود. این مطالعه، تاثیر فیلتر‌های کاهش اسپکل بر طبقه‌بندی کاربری اراضی با داده‌های ترکیبی سنتینل1 و سنتینل2 در بندر ماهشهر مورد بررسی قرار داده‌است. فیلتر‌های پرکاربرد باکسکار ، میانه ، فراست ، گامامپ ، لی ، لی‌بهبودیافته ، لی‌سیگما  و همسایگی تطبیقی مبتنی برشدت  بر روی تصاویر سنتینل1 اعمال شد، با روش تلفیق گرم-اشمیت داده‌های سنتینل 1 در هر دو قطبش vv,vh با باندهای سنتینل2 ترکیب شد. سپس با طبقه‌بندی کننده جنگل تصادفی اقدام به تولید نقشه کاربری اراضی شد. بالاترین عملکرد فیلتر را در ترکیب قطبش vh با باندهای سنتینل2 ، فیلتر idan با صحت کلی 76.64‌% و ضریب کاپا 0.72 ارائه می‌کند. همچنین در ترکیب قطبش vv با باندهای سنتینل2، فیلتر میانه با صحت کلی 76.6‌% و ضریب کاپا 0.7 بالاترین عملکرد را ارائه می‌کند. با توجه به محیط مورد مطالعه و حضور مناطق دارای رطوبت به این منظور ترکیب دو قطبش vv,vh بدون استفاده از باندهای سنتینل2 نیز مورد مطالعه قرارگرفت. بالاترین عملکرد را فیلتر باکسکار با صحت کلی 95.56‌% و ضریب کاپا 0.94 ارائه کرد. با توجه به نتایج، نقش داده‌های سار با هر دو قطبش در جداسازی بهتر مناطق دارای رطوبت بسیار با اهمیت است.

speckle filtering impact on land cover mapping using the combination of sentinel-1 and sentinel-2 images (case study: bandar mahshahr)

land use and land cover maps are essentially needed for socio-economic development and environment protection. accurate and up to date maps play an important role in urban planning. synthetic aperture radar (sar) sensors provides unique information from the earth surface due to their imaging capabilities in all-weather condition. however, inherent speckle effect limits their application. in this study, the effect of speckle filtering on the land use/land cover (lulc) classification map in bander-mahshahr, iran has been studied. dual-polarimetric sentinel 1-a (vh,vv) and multispectral sentinel-2b were fused for classification purposes. different speckle removing methods such as boxcar, median, frost, refined lee, lee sigma, intensity-driven adaptive-neighborhood, gamma map, and lee filters were applied on the sentinel-1a dataset. the gram–schmidt (gs) fusion process was chosen to integrate the multispectral sentinel-2 data and vh, vv bands of sentinel-1 data. then, the lulc (land use/land cover) was produced with a random forest classifier. idan filter has reached the highest overall accuracy (i.e., 76.64%) and kappa coefficient (i.e., 0.72) on the combined vh polarization image and sentinel-2 bands. also, in combining vv polarization with sentinel 2 bands, the median filter provides the highest performance with overall accuracy of 76.6% and kappa coefficient of 0.7. as the study area is located in a coastal environment and there is frequent cloud cover, the combination of two polarizations vv and vh without using sentinel-2 bands was also studied. the highest performance was provided by the boxcar filter with an overall accuracy of 95.56% and a kappa coefficient of 0.94. the obtained results confirm the high capabilities of sar images in lulc mapping in a coastal city