تولید نقشه پوشش زمین با استفاده از تصاویر ماهواره ای Sentinel-2 در سامانه Google Earth Enginengine

•   آرشیو : تابستان 1400
•   کد پذیرش : 1277
•   موضوع : مهندسی نقشه برداری
• نویسنده/گان : حسین محمدزاده صدیق، میثم داودآبادی فراهانی
•   زبان : فارسی
•   نوع مقاله : پژوهشی
•   چکیده مقاله به فارسی : تولید نقشه پوشش زمین در مناطقی با تنوع زیاد عوارض، انواع استفاده از زمین، کشت متناوب، قطعات کوچک زمین‌های کشاورزی چالش‌های زیادی را منجر می‌شود.استخراج ویژگی‌های مناسب کمک بسزایی به جداسازی انواع مختلف پوشش زمین می‌کند. امروزه با توسعه تکنولوژی رایانش ابری، شرکت گوگل پلتفرمی آنلاین بر مبنای رایانش ابری توسعه داده است که پردازش داده‌های بزرگ سنجش‌ازدور را بسیار آسان و کم‌هزینه کرده است. هدف از این پژوهش تولید نقشه پوشش زمین با استفاده از قابلیت‌های پلتفرم رایانش ابری گوگل ارث انجین (GEE )، شامل الگوریتم قطعه‌بندی ، الگوریتم طبقه‌بندی جنگل تصادفی (RF ) و سری زمانی تصاویر ماهواره سنتینل-2 در استان قم است. در این مطالعه در مجموع 5145 نمونه دستی برای آموزش و صحت سنجی جمع آوری شده است. بر مبنای نتایج ارزیابی، صحت کلی طبقه بندی 1/95 درصد و ضریب کاپا 3/94 درصد است که نشان دهنده صحت بالا طبقه¬بندی می¬باشد. نتایج این تحقیق نشان می‌دهد که به‌کارگیری سری زمانی تصاویر ماهواره‌ای، روش‌های کاهش ابعاد ویژگی، محاسبه اطلاعات بافت تصاویر و استفاده از روش‌های قطعه‌بندی تصاویر می‌توانند در تولید نقشه پوشش زمین با دقت مناسب، بسیار مفید باشند.
•   لیست منابع : [1] دلفان، الهام؛ نقوی، حامد؛ ملک نیا، رحیم؛ نورالدینی، احمدرضا. 1398. مقایسه قابلیت تصاویر ماهواره های سنتینل-2 و لندست 8 در تهیه نقشه کاربری اراضی و پوشش زمین با استفاده از روش های طبقه بندی پیکسل پایه و شی پایه. مجله مهندسی اکو سیستم بیایان. شماره 25. صص 1-12.
  [2] آرخی، صالح؛ کلوی، شیرین.1398. مقایسه روش های طبقه بندی پیکسل پایه و شی گرا در تهیه نقشه کاربری اراضی با استفاده از تصاویر ماهواره ای( مورد شناسی: شهر ایلام). فصلنامه جغرافیا و آمایش شهری- منطقه ای. شماره22. صص 16-1.
  [3] شفیعی، ساناز، مرضیه علی خواه اصل، محمد رضوانی. 2017. 'تهیه نقشه پوشش اراضی شهرستان اسلام‌شهر با استفاده از الگوریتم‌های حداکثر احتمال و فازی سال 2015', انسان و محیط زیست, 15: 27-37.
  [4] اداره کل منابع طبیعی و آبخیزداری استان قم. 1398. “سیمای منابع طبیعی.” 1398. https://qom.frw.ir.
  [5] Carrasco, L., O Neil, A.W, Morton, R.D, Rowland, C.S, 2019. Evaluating Combinations of temporally aggregated Sentinel-1, Sentinel-2 and Landsat8 for Land Cover Mapping with Google Earth Engine. Remote Sens.11 (3), 288.
  [6] Gislason, Pall Oskar, Jon Atli Benediktsson, and Johannes R Sveinsson. 2006. “Random Forests for Land Cover Classification.” Pattern Recognition Letters 27 (4): 294–300.
  [7] Khaghani, Roghayeh, Shahla Mahmoodi, Ebrahim Pazira, and Mohammad Hassan Masihabadi. 2014. “Agricultural Land-Use Change in Qazvin Plain between 1987 and 2002 by GIS and RS.” Advances in Environmental Biology, 129–37.
  [8] Li, Q.; Qiu, C.; Ma, L.; Schmitt, M.; Zhu, X, X. Mapping the Land Cover of Africa at 10 m Resolution from Multi- Source Remote Sensing Data with Google Earth Engine.Remote Sens.2020,12,602.
  [9] Nikfar, Maryam, Mohammad J Valadan Zoej, Ali Mohammadzadeh, Mehdi Mokhtarzade, and Afshin Navabi. 2012. “Optimization of Multiresolution Segmentation by Using a Genetic Algorithm.” Journal of Applied Remote Sensing 6 (1): 63592.
  [10] Phiri, D.; Simwanda, M.; Salekin, S.; Nyirenda, V.R; Murayama, Y.; Ranagalage, M. Sentinel-2 Data for Land Cover/ Use Mapping: A Review Remote Sens.
  [11] Smith, A. 2010. “Image Segmentation Scale Parameter Optimization and Land Cover Classification Using the Random Forest Algorithm.” Journal of Spatial Science 55 (1): 69–79.
  [12] Sikarwar, Ankit, and Aparajita Chattopadhyay. 2016. “Change in Land Use-Land Cover and Population Dynamics: A Town-Level Study of Ahmedabad City Sub-District of Gujarat.” International Journal of Geomatics and Geosciences 7 (2).
•   کلمات کلیدی به فارسی : سنجش‌ازدور، نقشه پوشش زمین، سنتینل-2، الگوریتم جنگل تصادفی، گوگل ارث انجین، قطعه‌بندی تصویر.
•   چکیده مقاله به انگلیسی : Land surface and rapid changes mapping using remote sensing data as an effective tool helps understand the impact of increasing changes due to human activities on the environment. European Union Copernicus program remote sensing data is available on the Sentinel-2 mission with spatial resolution 10m and temporal resolution 5 day. Producing land cover maps for areas with a wide variety of geographic features, types of land use, intermittent cultivation and small tracts of agricultural land cause many challenges. Intermittent satellite imagery needs to be used to overcome these problems and produce accurate land cover maps. Extracting the appropriate features greatly helps to separate different types of land cover. Processing long time series of large scale satellite images requires highly sophisticated hardware and software. Today, with the development of cloud computing technology, Google has developed an online cloud-based platform that makes large-scale remote data processing very easy and low costs. The purpose of this research is to produce a land cover map using the capabilities of Google Earth Engine (GEE) cloud computing platform, including segmentation algorithm, random forest classification (RF) algorithm and Sentinel-2 satellite images time series In Qom province.In this study, a total of 5145 manual samples have been collected for training and validating the classification.After the implementation of the land cover map production process in the GEE platform, the land cover map was produced with 95.1% overall accuracy and 94.3% kappa coefficient. The results show that using satellite images time series, feature reduction methods, image texture calculation and image segmentation methods can be very useful in producing accurate land cover maps.
•   کلمات کلیدی به انگلیسی : Remote Sensing, Land Cover Map, Sentinel-2, RF Classification, Google Earth Engine, Segmentation
•  صفحات : 1-17
•   دانلود فایل ( 975.96 KB )