خلاصه

تصحیح جوی یکی از بخش های کلیدی پیش پردازش سنجش از دور است زیرا می تواند بر نتیجه طبقه بندی نهایی تأثیر بگذارد و آن را تغییر دهد. این تحقیق تاثیر پنج پردازش تصحیح جوی مختلف را بر دقت طبقه‌بندی پوشش زمین با استفاده از تصاویر ماهواره‌ای Sentinel-2 بررسی می‌کند. اینها بازتاب سطح (SREF)، بازتاب سطح استاندارد (STDSREF)، تصحیح جوی Sentinel-2 (S2AC)، تصحیح تصویر برای اثرات جوی (iCOR)، تفریق اجسام تاریک (DOS) و بازتاب بالای اتمسفر (TOA) بدون هیچ گونه هیچ‌گونه بازتابی هستند. تصحیح اتمسفر تصاویر Sentinel-2 تصحیح شده با اصلاحات جوی اعلام شده با استفاده از چهار تکنیک مختلف طبقه بندی یادگیری ماشین، یعنی تقویت گرادیان شدید (XGB)، جنگل های تصادفی (RF) طبقه بندی شدند. ماشین بردار پشتیبانی (SVM) و catboost (CB). برای طبقه بندی، از پنج طبقه مختلف استفاده شد: زمین بایر، کم پوشش گیاهی، پوشش گیاهی زیاد، آب و منطقه ساخته شده. طبقه بندی SVM بهترین نتیجه کلی را برای دوازده تاریخ، برای تمام اصلاحات جوی ارائه کرد. این بهترین روش برای هر دو مورد بود: هنگام استفاده از باندهای Sentinel-2 و شاخص های رادیومتری و زمانی که فقط از باندهای طیفی استفاده می شود. بهترین تصحیح جوی برای طبقه بندی با SVM با استفاده از شاخص های رادیومتری S2AC با مقدار میانه 96.54 درصد و بهترین تصحیح بدون شاخص های رادیومتری STDSREF با مقدار میانه 96.83 درصد است. برای تمام اصلاحات جوی این بهترین روش برای هر دو مورد بود: هنگام استفاده از باندهای Sentinel-2 و شاخص های رادیومتری و زمانی که فقط از باندهای طیفی استفاده می شود. بهترین تصحیح جوی برای طبقه بندی با SVM با استفاده از شاخص های رادیومتری S2AC با مقدار میانه 96.54 درصد و بهترین تصحیح بدون شاخص های رادیومتری STDSREF با مقدار میانه 96.83 درصد است. برای تمام اصلاحات جوی این بهترین روش برای هر دو مورد بود: هنگام استفاده از باندهای Sentinel-2 و شاخص های رادیومتری و زمانی که فقط از باندهای طیفی استفاده می شود. بهترین تصحیح جوی برای طبقه بندی با SVM با استفاده از شاخص های رادیومتری S2AC با مقدار میانه 96.54 درصد و بهترین تصحیح بدون شاخص های رادیومتری STDSREF با مقدار میانه 96.83 درصد است.

کلید واژه ها:

تصحیح جوی ؛ Sentinel-2 ; طبقه بندی پوشش زمین ; یادگیری ماشینی ؛ شاخص های رادیومتری ; SVM ; Sen2cor ; STDSREF

1. معرفی

پیش پردازش داده های ماهواره ای یکی از نقش های کلیدی در تجزیه و تحلیل نتایج است. تصحیح اتمسفر یکی از مهمترین مراحل پیش پردازش است زیرا می تواند بر نتیجه نهایی تأثیر بگذارد. هدف اصلی تصحیح جوی اعمال تصحیح اثرات تصویر ماهواره ای با تعیین ویژگی های نوری است [ 1 ].]. امروزه روش‌های تصحیح جوی متعددی وجود دارد، زیرا اکثر ارائه‌دهندگان داده‌های ماهواره‌ای روش‌های خود را توزیع می‌کنند. سازمان ملی هوانوردی و فضایی (ناسا) اصلاحات LaSRC و LEDAPS را برای مأموریت ماهواره لندست ارائه می دهد، آژانس فضایی اروپا (ESA) اصلاح جوی Sentinel-2 را برای ماموریت ماهواره Sentinel-2 ارائه می دهد، Planet, Inc. اصلاح جوی خود را ارائه می دهد. بر اساس شبیه سازی دوم یک سیگنال ماهواره ای در طیف خورشیدی (6S) برای تصاویر ماهواره ای PlanetScope. این می تواند برای کاربران نهایی هنگام مقایسه چندین سنسور گیج کننده باشد. نقطه ضعف اصلی تصحیح جوی مختلف برای سنسورهای مختلف عدم تفسیرپذیری نتیجه به دلیل مدل‌ها و انتخاب پارامترهای مختلف است. یکی از پروژه های ترکیب داده های ماهواره ای پروژه هماهنگ لندست و سنتینل-2 است.2 ] که هدف آن تولید محصولات بدون درز Sentinel-2 و Landsat 8 است. با این حال، این تحقیق عمدتاً برای هماهنگ کردن دو سنسور خاص و بسیاری دیگر استفاده می شود. دو دسته اصلی تصحیح جوی روش‌های مبتنی بر تصویر و روش‌های مبتنی بر مدل هستند. روش‌های مبتنی بر تصویر به فراداده تصویر و تحلیل آماری بازتاب بالای جو (TOA) متکی هستند. از سوی دیگر، اصلاحات جوی مبتنی بر مدل به مدل‌سازی تابشی متکی است و به داده‌هایی در مورد ویژگی‌های نوری جوی زمان ثبت تصویر نیاز دارد [ 3 ].
روش های طبقه بندی پوشش/کاربری زمین در چند سال اخیر تکامل یافته است. ماهواره های جدید هر چند سال یک بار با وضوح فضایی بالاتر یا حتی باندهای طیفی بیشتر پرتاب می شوند. ماموریت ماهواره‌ای لندست اولین مأموریتی بود که تصاویر ماهواره‌ای آزادانه در سطح جهانی در دسترس بود. این امکان آزمایش و اصلاح روش‌های طبقه‌بندی موجود را فراهم کرد که قبلاً در سایر رشته‌ها توسعه یافته بودند. با پرتاب ماهواره Sentinel-2، وضوح فضایی به 10 متر افزایش یافت و تعداد باندها افزایش یافت. این امکان اصلاح بیشتر الگوریتم‌های یادگیری ماشین و توسعه روش‌های مختلف یادگیری عمیق و همچنین مشاهدات دقیق‌تر را به دلیل وضوح طیفی و فضایی بالاتر فراهم کرد. امروزه روش های طبقه بندی متعددی به ویژه در یادگیری ماشینی توسعه یافته است. برخی از روش‌های یادگیری ماشین بیش از یک دهه وجود دارند و برای کار طبقه‌بندی استفاده می‌شوند. یکی از متداول‌ترین روش‌های مورد استفاده، ماشین بردار پشتیبان (SVM) و جنگل‌های تصادفی (RF) است.4 ، 5 ، 6 ، 7 ].
مقالات تحقیقاتی اغلب بر اساس تجزیه و تحلیل تأثیر تصحیح جوی بر مقادیر بازتاب طیفی مانند لیانگ و همکاران است. [ 8 ] و رومورا و همکاران. [ 9 ]، یا با استفاده از تنها یک روش طبقه بندی مانند Vanonckelen و همکاران. [ 10 ] یا لین و همکاران. [ 11 ]. آنها از طبقه بندی حداکثر احتمال برای تجزیه و تحلیل سه تصحیح جوی و پنج تصحیح توپوگرافی استفاده کردند. سایر محققان از روش های طبقه بندی متعددی برای طبقه بندی پوشش زمین استفاده کردند. عبدی [ 12 ] از SVM، RF، تقویت گرادیان شدید (XGB) برای طبقه بندی هشت کلاس مختلف استفاده کرد، در حالی که Noi و Kappas [ 13 ]] از RF، SVM و K-نزدیکترین همسایه برای طبقه بندی شش طبقه مختلف کاربری/پوشش زمین استفاده کرد. کاسترو گومز [ 14 ] طبقه بندی یادگیری ماشینی مجموعه داده Sentinel-1 و Sentinel-2 را مورد تحقیق قرار داد. او در تحقیق خود، دقت طبقه‌بندی طبقه‌بندی کننده RF را با استفاده از تمام 13 باند Sentinel-2 و با استفاده از تمام باندهای Sentinel-2 با چهار شاخص گیاهی اضافی تجزیه و تحلیل کرد. تحقیق ما دقت طبقه‌بندی باندهای Sentinel-2 را بدون شاخص‌های رادیومتری و باندهای Sentinel-2 با پنج شاخص رادیومتری را با استفاده از چهار طبقه‌بندی‌کننده یادگیری ماشین تحلیل کرد. برای تحلیل تغییر دقت طبقه بندی به دلیل افزودن لایه ها از شاخص های رادیومتری استفاده شد. کلوز و همکاران [ 15] تصاویر Sentinel-2 را برای طبقه بندی پوشش زمین با استفاده از پایگاه داده LUCAS تجزیه و تحلیل کرد. آنها از یک اصلاح جوی – S2AC استفاده کردند و پنج طبقه پوشش زمین را طبقه بندی کردند: زمین های جنگلی، زمین های زراعی، علفزارها، تالاب ها و سکونتگاه ها، با استفاده از طبقه بندی حداکثر احتمال، RF، k-نزدیک ترین همسایه و طبقه بندی حداقل فاصله. تحقیق ما از تصاویر Sentinel-2 برای طبقه‌بندی پنج طبقه مختلف پوشش زمین استفاده کرد: آب، زمین ساخته شده، پوشش گیاهی بالا، پوشش گیاهی کم و زمین برهنه با استفاده از RF، SVM، XGB و CatBoost (CB). علاوه بر این، تحقیق ما تأثیر پنج اصلاح جوی را بر نتایج طبقه‌بندی تحلیل کرد.
هدف اصلی این تحقیق بررسی تأثیر پنج روش مختلف تصحیح جوی بر الگوریتم‌های طبقه‌بندی یادگیری ماشین با استفاده از تصاویر ماهواره‌ای Sentinel-2 بود. اصلاحات جوی مورد استفاده در این تحقیق عبارتند از: بازتاب سطح (SREF)، بازتاب سطح استاندارد (STDSREF)، تصحیح جوی Sentinel-2 (S2AC)، تصحیح تصویر برای اثرات جوی (iCOR) و تفریق اجسام تاریک (DOS). علاوه بر این، بازتاب TOA نیز برای مقایسه طبقه بندی با و بدون تصحیح اتمسفر استفاده شد. این پنج تصحیح جوی معمولاً در ادبیات استفاده می‌شوند، اما تا آنجا که ما می‌دانیم، محققان تأثیر آن اصلاحات جوی را بر دقت الگوریتم طبقه‌بندی مختلف بررسی نکردند.
هدف دوم این تحقیق تعیین بهترین روش یادگیری ماشین برای نقشه برداری پوشش زمین بر اساس تصحیح اتمسفر مورد استفاده بود. الگوریتم های یادگیری ماشینی RF، XGB، CB و SVM هستند. محققان از آن الگوریتم‌های طبقه‌بندی استفاده می‌کنند، اما تا آنجا که ما می‌دانیم، آنها مستقیماً نتایج طبقه‌بندی هر چهار روش طبقه‌بندی را برای تصحیح جوی مختلف مقایسه نکردند.
هدف سوم این تحقیق، تجزیه و تحلیل تأثیر شاخص‌های مختلف رادیومتریک بر دقت طبقه‌بندی با استفاده از الگوریتم‌های یادگیری ماشینی بود. ابتدا تصاویر Sentinel-2 با استفاده از باند Sentinel-2 و ثانیاً تصاویر Sentinel-2 با استفاده از باندها و پنج شاخص مختلف رادیومتری طبقه بندی شدند.

2. مواد و روشها

این تحقیق را می توان به پنج مرحله تقسیم کرد: (1) منطقه مطالعه و داده های ماهواره ای، (2) فرآیند پردازش (3) اعمال تصحیح جو، (4) شاخص های رادیومتریک، و (5) روش های طبقه بندی پوشش زمین.

2.1. منطقه مطالعه و داده های ماهواره ای

منطقه مورد مطالعه منطقه شهری وسیع تری زاگرب، بزرگترین شهر کرواسی، شامل بخشی از کوه مدودنیکا در شمال را پوشش می دهد ( شکل 1 ). محدوده مورد مطالعه تقریباً 35×21 کیلومتر با پوشش زمین و مناطق کاربری مختلف از اشیاء مصنوعی، زمین برهنه، آب تا پوشش گیاهی کم و مرتفع است.
این تحقیق بر روی تصاویر ماهواره‌ای به‌دست‌آمده با استفاده از ماموریت ماهواره ای ESA Sentinel-2 انجام شد. ماموریت ماهواره Sentinel-2 در حال حاضر شامل دو ماهواره است: Sentinel-2A (S2A)، که در 23 ژوئن 2015 پرتاب شد و Sentinel-2B (S2B) که در 7 مارس 2017 پرتاب شد. صورت فلکی آنها زمان بازبینی 5 روزه را فراهم می کند. هر دو ماهواره دارای ابزار چند طیفی (MSI) هستند که 13 باند طیفی را جمع آوری می کند: آبی ساحلی، آبی، سبز، قرمز، سه باند لبه قرمز گیاهی (RE)، مادون قرمز نزدیک (NIR)، باریک مادون قرمز نزدیک، بخار آب، مادون قرمز موج کوتاه. – سیروس و دو باند مادون قرمز موج کوتاه (SWIR). ماموریت Sentinel دو نوع محصول را ارائه می دهد: Level-1C که بازتاب TOA را نشان می دهد. و Level-2A که بازتاب پایین جو (BOA) را نشان می دهد [ 3 ].
برای این تحقیق، دوازده تصویر Level-1C، شش تصویر در سال 2017 و شش تصویر در سال 2018 به دست آمده است ( جدول 1 ). این تصاویر برای به دست آوردن اطلاعات بی طرفانه برای طبقه بندی به مدت دو سال در روز مشابه سال انتخاب شدند. محصولات و نقشه های تولید شده در طرح WGS84 UTM33 پیش بینی می شوند، در حالی که وضوح فضایی باندهای استفاده شده 10 و 20 متر بود.
پس از به دست آوردن 12 تصویر Sentinel-2، 10 باند اغلب در کاربرد زمین استفاده می شود: آبی، سبز، قرمز، دو NIR، سه پوشش گیاهی RE و دو SWIR، برای بررسی بیشتر انتخاب شدند. علاوه بر این، این باندها به دلیل وضوح فضایی 10 متر (آبی، سبز، قرمز، یک NIR) و 20 متر (یک NIR، دو SWIR و سه RE) انتخاب شدند. آنها بیشتر در پیش پردازش و طبقه بندی مورد استفاده قرار گرفتند. مراحل پیش پردازش شامل محاسبه بازتاب TOA، پنج اصلاح اتمسفر، نمونه برداری مجدد باندهای 20 متری تا وضوح 10 متر و محاسبه شاخص های رادیومتریک است ( شکل 2 ).

2.2. پردازش گردش کار

گردش کار پردازش تصاویر Sentinel-2 مورد استفاده در این تحقیق در شکل 2 نشان داده شده است . اولین مرحله، تقسیم دوازده تصویر Sentinel-2 با مقدار کمی برای به دست آوردن مقادیر بازتاب TOA است. مرحله دوم تصحیح اتمسفر تصاویر بازتابی TOA با استفاده از پنج تصحیح جوی مختلف است که منجر به 72 تصویر می شود. پس از تصحیح اتمسفر، باندهای طیفی با وضوح 20 متر مجدداً به 10 متر نمونه برداری شدند. مرحله بعدی محاسبه پنج شاخص رادیومتری و تهیه دو مجموعه داده برای طبقه بندی بود. دو مجموعه داده، یکی با باندهای Sentinel-2 و شاخص های رادیومتریک و دیگری با باند Sentinel-2، با استفاده از چهار روش طبقه بندی طبقه بندی شدند. در نهایت، نقشه های طبقه بندی شده با استفاده از دقت کلی و متوازن ارزیابی شدند.

2.3. اصلاحات جوی

اولین مرحله در روش تصحیح اتمسفر، تقسیم مقادیر تصاویر ماهواره ای با مقدار کمی 1000 برای به دست آوردن بازتاب TOA است [ 16 ]. بازتاب TOA مقدار انعکاس بازتاب شده از سطح است که می تواند با استفاده از یک سنسور ماهواره ای جمع آوری شود. این یک اثر جوی در اندازه گیری گنجانده شده است، بنابراین لازم است این اندازه گیری از نظر جوی اصلاح شود [ 9 ].
تصحیح اتمسفر روشی برای تصحیح تصاویر ماهواره ای از داده های خام به پایین بازتاب جو است. این بازتاب باید همان بازتاب اندازه گیری شده در سطح زمین باشد. اصلاحات جوی متعددی وجود دارد و برای این تحقیق از پنج اصلاح مختلف جوی استفاده شد: S2AC، iCOR، DOS، SREF و STDSREF. اصلاحات جوی با استفاده از نرم افزار Sen2Cor (v2.5.5) [ 17 ] و تصحیح اتمسفری و رادیومتری تصاویر ماهواره ای (ARCSI) (v3.2.2) [ 18 ] انجام شد. نمونه گیری مجدد با استفاده از نرم افزار ESA SNAP (v7.0.1) [ 19 ] با استفاده از پردازشگر نمونه برداری مجدد S2 انجام شد.

2.3.1. S2AC

S2AC یک الگوریتم تصحیح جوی برای محاسبه BOA با استفاده از بازتاب Sentinel-2 TOA است. S2AC بر اساس الگوریتم تصحیح اتمسفر/توپوگرافی برای تصاویر ماهواره ای (ATCOR) است که در سال 2011 توسط ریشتر [ 20 ] توسعه یافت. برای محاسبه اثرات جوی مانند تابش خورشیدی و حرارتی S2AC از مدل انتقال تابشی Libradtran [ 21 ] استفاده می کند. انتقال تشعشع در جو زمین برای مدلسازی S2AC با استفاده از قانون ساده لامبرت (همسانگرد) استفاده می شود [ 22]. در این تحقیق ما از محصولات Sentinel-2 L2A BOA استفاده نکردیم زیرا زمانی که تصاویر را پردازش کردیم، محصولات BOA برای همه تاریخ ها در دسترس نبودند. ما می خواستیم یک مجموعه داده پردازش شده یکسان داشته باشیم، بنابراین محصول L2A را با استفاده از الگوریتم Sen2cor محاسبه کردیم.
2.3.2. iCOR
تصحیح جوی iCOR یک روش کلی تصحیح صحنه و حسگر برای تصحیح پیکسل آب و زمین است. از داده های تصویر و جداول جستجوی از پیش محاسبه شده (LUT) برای استخراج پارامترهای مورد نیاز برای روش استفاده می کند. این تصحیح را در چهار مرحله محاسبه می کند: (1) شناسایی و تمایز پیکسل های زمین و آب. (2) محاسبه ضخامت نوری آئروسل (AOT) که از پیکسل‌های خشکی با استفاده از یک نسخه اقتباسی از روش توسعه‌یافته توسط Guanter [ 23 ] به دست می‌آید، و با فرض جو همگن فضایی به پیکسل آب گسترش می‌یابد. (3) تصحیح مجاورت که با استفاده از تصحیح محیط شباهت (SIMEC) [ 24 ] بر روی اهداف آب و روی زمین محاسبه می شود، کاربر محدوده ثابت را تعریف می کند [ 25 ]]؛ (4) محاسبه معادله انتقال تابشی [ 26 ]. برای حداقل سازی زمان محاسبات از MODTRAN LUT استفاده می شود، در حالی که اطلاعات اضافی برای تصحیح اتمسفر خورشیدی و زاویه دید اوج و زاویه و مدل ارتفاع رقومی (DEM) است [ 27 ].
2.3.3. DOS
روش DOS تصحیح جوی مبتنی بر تصویر است. DOS یک روش ساده است که به ورودی های نسبتا کمی نیاز دارد. می توان آن را به راحتی بر روی تمام داده های تصویر اعمال کرد اما مطمئن ترین و ثابت ترین نتایج را ایجاد نمی کند. بنابراین، این روشی است که زمانی استفاده می شود که روش های دیگر در دسترس نیستند. فرض تصحیح DOS این است که یک شی در سایه کامل وجود دارد و در ماهواره، تابش حسگر به دلیل پراکندگی اتمسفر است [ 28 ].
2.3.4. SREF
SREF با استفاده از 6S محاسبه می شود که یک کد کامپیوتری برای شبیه سازی دقیق اثرات جو است [ 29 ]. این ارتفاع هدف و شرایط سطح غیر لامبرتی را به حساب می آورد. برای محاسبه، به شش ورودی مختلف نیاز دارد: مشخصات جوی، مشخصات آئروسل، بازتاب زمین، هندسه، ارتفاع و طول موج حسگر [ 30]. مشخصات جوی را می توان از چندین پروفایل از پیش تعریف شده یا با استفاده از اندازه گیری رادیوسند اندازه گیری شده انتخاب کرد. مشخصات آئروسل به عمق نوری آئروسل بستگی دارد و تفاوت قابل توجهی در مقادیر بازتاب اندازه گیری شده ایجاد می کند. دو سطح زمین مختلف وجود دارد که می‌توان برای مدل‌سازی هدف زمینی انتخاب کرد: تابع توزیع بازتاب لامبرتی و دو طرفه (BRDF). پارامتر بعدی هندسه سنسور انتخاب شده است. تاریخ، ماه، سال و زمان ثبت تصویر و طول و عرض جغرافیایی مرکز تصویر یا خورشیدی و زاویه زاویه و اوج. پارامتر بعدی ارتفاع سنسور در هنگام گرفتن تصویر و مدل ارتفاع دیجیتال (DEM) برای سطح زمین است. آخرین پارامتر طول موج سنسور استفاده شده است [ 29 ، 30]. با استفاده از این پارامترها، می توان تصاویر را در پایین بازتاب جو تصحیح کرد.
2.3.5. STDSREF
STDSREF یک محصول بازتاب سطحی است که برای زوایای دید خورشیدی و سنسور و توپوگرافی نرمال شده است. مدل جوی همراه با DEM برای محاسبه روشنایی پراکنده و تابع زوایای فرود و خروج برای محاسبه بازتاب تاج پوشش گیاهی در شیب زمین استفاده می‌شود. این الگوریتم برای تصاویر با ارتفاع خورشیدی بین 50 تا 70 درجه و محدوده طیفی 0.25 تا 4.0 میکرومتر کار می کند. مزیت اصلی این اصلاح جوی، اصلاح وابستگی بازتاب پوشش گیاهی به شیب همراه با تصحیح روشنایی است [ 30 ، 31 ].

2.4. شاخص های رادیومتری

پس از اصلاحات جوی، ویژگی های طیفی تصاویر تصحیح شده جوی بر اساس پنج طبقه پوشش زمین: زمین لخت، آب، پوشش گیاهی کم، زمین ساخته شده و پوشش گیاهی بالا مورد تجزیه و تحلیل قرار گرفت. پس از آنالیز شاخص های رادیومتری محاسبه شد.
شاخص رادیومتری نام مشترکی برای شاخص های پوشش گیاهی، خاک، آب و ساختمان است. شاخص‌های رادیومتری یک معیار کمی هستند که برای اندازه‌گیری ویژگی‌های مختلف مانند زیست توده یا بنیه گیاهی برای شاخص‌های پوشش گیاهی یا زمین‌های ساخته‌شده با شاخص‌های ساخته شده استفاده می‌شوند. برای این تحقیق از پنج شاخص رادیومتریک مختلف استفاده کردیم: شاخص گیاهی تفاوت نرمال شده (NDVI) [ 32 ]، شاخص تفاوت نرمال شده آب (NDWI) [ 33 ]، شاخص گیاهی تعدیل شده خاک (MSAVI) [ 34 ]، شاخص کلروفیل سبز (CIG) [ 35 ] و شاخص کدورت تفاوت نرمال شده (NDTI) [ 36 ]. این شاخص‌ها به دلیل استفاده از آنها در تحقیق انتخاب شدند [ 37 , 38 ,39 ] و کاربرد آنها برای ویژگی های آب و زمین.

2.5. روش های طبقه بندی پوشش زمین

پس از تصحیح اتمسفر، نمونه برداری مجدد و محاسبه شاخص های رادیومتری، تمامی تصاویر ماهواره ای در محدوده صفر تا یک استاندارد شدند. پس از استانداردسازی، تصاویر با استفاده از چهار روش انتخابی یادگیری ماشین طبقه‌بندی شدند: RF. XGB، CB، SVM. تمام روش های ذکر شده روش های یادگیری ماشینی هستند. روش‌های طبقه‌بندی پوشش زمین یادگیری ماشینی، طبقه‌بندی یادگیری تحت نظارت هستند که در آن الگوریتم از مجموعه داده ورودی یاد می‌گیرد و از داده‌های آموخته‌شده برای پیش‌بینی و طبقه‌بندی مشاهدات جدید استفاده می‌کند. پنج طبقه مختلف پوشش زمین، آب، زمین بایر، کم پوشش گیاهی، پوشش گیاهی بالا و زمین ساخته شده برای طبقه بندی تصویر انتخاب شدند. چند ضلعی های آموزشی و اعتبار سنجی با استفاده از ارتوفوتو کرواسی [ 40 ] انتخاب شدند] و تصاویر ماهواره ای Sentinel-2 برای هر تاریخ برای شناسایی صحیح زمین های تغییر یافته. چند ضلعی های آموزشی و اعتبارسنجی برای طبقه بندی و ارزیابی دقت برای همه روش های طبقه بندی برای یک تاریخ یکسان بود. تعداد پیکسل های مورد استفاده برای آموزش و اعتبارسنجی در هر لایه در جدول 2 ارائه شده است . تعداد پیکسل های جدول 2 باید در 10 یا 15 ضرب شود که تعداد لایه های موجود در طبقه بندی است. برای هر الگوریتم طبقه‌بندی، 70 درصد از داده‌های برچسب‌گذاری شده برای آموزش و 30 درصد برای ارزیابی دقت استفاده شد [ 41 ]. طبقه بندی پوشش زمین با استفاده از زبان برنامه نویسی R (نسخه 3.6.1) انجام شد.

2.5.1. RF

الگوریتم RF یک اصطلاح کلی برای روش یادگیری گروهی است که با استفاده از ترکیبی از طبقه‌بندی‌کننده نوع درختی عمل می‌کند، به گونه‌ای که هر طبقه‌بندی کننده با استفاده از بردار تصادفی تولید می‌شود که توزیع یکسانی برای همه بردارهای تصادفی گذشته دارد و به طور مستقل از مقادیر نمونه‌برداری می‌شود. بردار ورودی پس از ایجاد تعداد مشخص شده درختان، آنها به محبوب ترین طبقه رای می دهند، بنابراین خروجی نهایی با اکثریت آرا تعیین می شود [ 42 ]. برای RF دو پارامتر باید داده شود: تعداد درختان و تعداد ویژگی ها در هر تقسیم [ 13 ]. به گفته لیاو و وینر [ 43]، تعداد زیادی درخت نتیجه پایداری را ارائه می دهند. برای اندازه گیری انتخاب برای اندازه گیری ویژگی ناخالصی با توجه به کلاس ها، RF از شاخص جینی [ 44 ] استفاده می کند. به دلیل اطلاعاتی که نشان می دهد نمونه برداری مجدد بر اساس وزن دهی نیست، RF به بیش از حد برازش یا تمرین بیش از حد حساس نیست [ 45 ]. بسته randomForest برای طبقه بندی RF استفاده شد. پس از تنظیم هایپرپارامترها، تصمیم گرفته شد که پارامترهای پیش فرض برای طبقه بندی RF بهترین نتیجه را ارائه دهند.
2.5.2. XGB
XGB یک روش یادگیری ماشینی مبتنی بر تقویت گرادیان است. برای تولید یک مدل بهینه، از گرادیان نزول در درخت تصمیم استفاده می کند. مدل های متعددی را تولید می کند که با استفاده از مدل تولید شده قبلی اصلاح می شوند و مدل نهایی را تولید می کند [ 46 ]. این برای غلبه بر محدودیت الگوریتم‌های تقویت گرادیان قبلاً توسعه‌یافته، با استفاده از یک تکنیک منظم‌سازی جدید برای کنترل بیش‌ازحد توسعه داده شد. از نظر محاسباتی بسیار کارآمد و در طول تنظیم مدل قوی تر است [ 47]. در این تحقیق از بسته xgboost برای طبقه بندی XGB استفاده شد. چندین ابرپارامتر برای به دست آوردن بالاترین دقت تنظیم شدند. برای تابع هدف، از تابع “multi:softmax”، برای اندازه گام مرحله تقویت از مقدار 0.01، برای حداکثر عمق درخت از مقدار 10 و برای تعداد دور از مقدار 200 استفاده کردیم.
2.5.3. CB
CB یک الگوریتم تقویت گرادیان برای مدیریت داده های طبقه بندی شده با استفاده از تکنیک های جایگشت است. جایگشت تصادفی و میانگین مقدار برچسب برای مثال با مقدار مقوله یکسان بر روی مجموعه داده انجام می شود. این روش بیش از حد برازش را کاهش می دهد [ 48 ]. مرحله اول CB به طور تصادفی مجموعه داده به زیر مجموعه تقسیم می شود، سپس برچسب ها به اعداد صحیح تبدیل می شوند. آخرین مرحله تبدیل ویژگی های طبقه بندی به عددی است [ 47 ]. بسته catboost برای طبقه بندی تصاویر Sentinel-2 با استفاده از طبقه بندی CB استفاده شد. تابع از دست رفته، عمق و تعداد تکرارها برای به دست آوردن بالاترین دقت تغییر کردند. تابع Lost روی “MultiClass”، عمق روی مقدار 5 و تعداد تکرارها روی عدد 200 تنظیم شد.
2.5.4. SVM
SVM یک روش یادگیری ماشینی نظارت شده برای طبقه بندی با استفاده از تئوری یادگیری آماری است که برای یافتن راه حل های بهینه برای مسائل طبقه بندی با استفاده از برازش ابرصفحه طراحی شده است که بهترین جداسازی را بین دو کلاس در فضای ویژگی چند بعدی فراهم می کند [ 49 ]. این یکی از مزایای اصلی SVM در مقایسه با سایر الگوریتم‌های طبقه‌بندی یادگیری ماشین است [ 50 ]. Kernel یکی از پارامترهای SVM است که باید انتخاب شود. کاربران می توانند بین چند جمله ای، تابع پایه شعاعی و سیگموئید [ 49 ] را انتخاب کنند]. آموزش SVM به دو پارامتر نیاز دارد: C، که پارامتر منظم‌سازی را نشان می‌دهد که مبادله بین حداکثر کردن حاشیه و به حداقل رساندن خطای آموزشی را کنترل می‌کند، و γ که نشان‌دهنده عرض هسته است که بر هموارسازی شکل ابرصفحه تقسیم‌کننده کلاس تأثیر می‌گذارد. یک مقدار C بزرگ می تواند منجر به برازش بیش از حد مدل شود، در حالی که یک مقدار C پایین می تواند نقاط پرت را در داده های آموزشی نادیده بگیرد. از سوی دیگر، افزایش γ می تواند بر دقت طبقه بندی با تغییر شکل ابرصفحه تقسیم کلاس تأثیر بگذارد [ 13 ، 51]. برای طبقه بندی تصاویر Sentinel-2 با استفاده از طبقه بندی SVM از بسته e1071 استفاده شد. چندین طبقه بندی با پارامترهای مختلف C و گاما مورد آزمایش قرار گرفت و پارامترهایی که بالاترین دقت را ارائه می کردند انتخاب شدند. طبقه بندی C به عنوان یک نوع طبقه بندی با هسته شعاعی استفاده شد. علاوه بر این، پارامترهای گاما و هزینه بر روی 1 تنظیم شدند.

2.6. ارزیابی دقت

ارزیابی دقت بر اساس مجموعه داده اعتبارسنجی بود که در آموزش گنجانده نشد. هر تصویر محاسبه‌شده بر اساس مجموعه داده اعتبارسنجی برای به دست آوردن دقت کلی برای هر تصویر و دقت متعادل برای هر طبقه پوشش زمین تجزیه و تحلیل شد. دقت کلی تعداد پیکسل‌های طبقه‌بندی شده صحیح بر تعداد کل موارد است [ 52 ]. از سوی دیگر، دقت متعادل را می توان به عنوان دقت متوسط ​​به دست آمده در هر یک از کلاس ها تعریف کرد. اگر دقت متعادل در هر کلاس یکسان عمل کند، آنگاه نشان دهنده دقت کلی معمولی است [ 53 ]]. برای اعتبار سنجی، نمونه های مشابه در هر تاریخ برای هر چهار روش طبقه بندی استفاده شد. علاوه بر این، دقت برای هر طبقه برای تمام تاریخ‌ها و اصلاحات نیز برای تعیین تأثیر اصلاح محاسبه‌شده بر طبقه‌بندی خاص پوشش زمین محاسبه شد. دقت طبقه‌بندی بر روی داده‌ها با شاخص‌های رادیومتری و بدون شاخص‌های رادیومتری انجام شد. ارزیابی دقت با استفاده از زبان برنامه نویسی R (نسخه 3.6.1) انجام شد.
پس از آن، تمام دقت های طبقه بندی برای همان تاریخ (24 دقت در هر تاریخ) از بالاترین دقت که در رتبه اول قرار گرفت تا کمترین دقت که بر این اساس در رتبه 24 قرار گرفت، رتبه بندی شدند. این روش برای دوازده تاریخ تکرار شد و در نهایت برای تمام روش‌های طبقه‌بندی و تصحیح اتمسفر جمع‌بندی شد تا بهترین روش با بالاترین دقت در هر روش اصلاح و طبقه‌بندی جوی به دست آید. بهترین نتیجه جمع شده کمترین عدد را دارد در حالی که بدترین نتیجه بیشترین عدد را دارد.
آخرین تحلیل، تحلیل زمان محاسباتی بود. زمان محاسباتی از الگوریتم طبقه بندی آموزش تا پایان پیش بینی با نتایج پیش بینی به دست آمده تعیین و مشاهده شد. زمان محاسباتی به تعداد لایه‌های انباشته بستگی دارد، جایی که زمان طبقه‌بندی بدون شاخص‌های رادیومتریک (10 لایه / باند) کمتر از زمان طبقه‌بندی با شاخص‌های رادیومتری شامل (15 لایه / باند) است.

3. نتایج

در مجموع 12 تصویر Sentinel-2 مورد تجزیه و تحلیل قرار گرفت. پس از تصحیح اتمسفر، 72 تصویر مورد تجزیه و تحلیل طیفی قرار گرفت. شکل 3 نشانه های طیفی 6 تصحیح جوی را برای 6 تصویر Sentinel-2 در سال 2017 نشان می دهد. تجزیه و تحلیل بر روی 5 کلاس مختلف پوشش زمین انجام شد: آب، زمین خالی، پوشش گیاهی بالا، زمین ساخته شده و پوشش گیاهی کم با استفاده از مقدار میانگین همه آموزش ها. و پیکسل های اعتبارسنجی برای هر کلاس. این منجر به یک مقدار بازتاب متوسط ​​برای همه کلاس ها در یک طول موج خاص شد. تصحیح DOS تقریباً برای تمام طول موج ها و تمام تاریخ ها کمترین مقدار را دارد. از سوی دیگر، TOA بالاترین مقادیر را برای کلاس آب دارد، در حالی که STDSREF بالاترین ارزش را برای چهار کلاس دیگر برای تمام تاریخ‌ها در سال 2017 دارد.
شکل 4 نشانه‌های طیفی 6 تصحیح جوی را برای 6 تصویر Sentinel-2 در سال 2018 نشان می‌دهد. تجزیه و تحلیل همانند سال 2017 انجام شد. تصحیح DOS تقریباً برای همه طول‌موج‌ها و تمام تاریخ‌ها کمترین مقادیر را دارد. از سوی دیگر، TOA دارای بالاترین مقادیر برای کلاس آب برای طیف مرئی (قرمز، آبی سبز) و NIR است، در حالی که برای سایر باندها STDSREF بالاترین مقادیر را دارد. STDSREF بالاترین ارزش را برای زمین های خالی، زمین های ساخته شده، پوشش گیاهی مرتفع و کم، برای تمام تاریخ های سال 2018 دارد.
پس از مراحل پردازش نشان داده شده در شکل 2 ، در مجموع 576 تصویر طبقه بندی شده محاسبه و تجزیه و تحلیل شد. شکل 5دقت طبقه‌بندی کلی را در هر روش تصحیح جوی برای تمام دوازده تاریخ و چهار روش طبقه‌بندی هنگام استفاده از شاخص‌های رادیومتری نشان می‌دهد. دقت کلی برای تمام تاریخ ها و تصحیح جوی برای همه روش های طبقه بندی بالاتر از 89٪ بود. SVM بالاترین دقت را برای همه تاریخ ها دارد به جز آگوست 2018 که در آن 0.04٪ کمتر از طبقه بندی RF است و برای نوامبر 2018 که 0.28٪ کمتر از طبقه بندی CB است. کمترین تفاوت بین روش های طبقه بندی مربوط به ژوئن 2018 با 2.44 درصد بین کمترین و بالاترین دقت کلی است، در حالی که بیشترین حاشیه مربوط به آگوست 2018 با اختلاف 8.24 درصد است. در مورد تصحیح اتمسفر، DOS و TOA دارای مقادیر مشابه با میانگین اختلاف 0.40٪ برای همه تاریخ ها هستند. بازتاب سطحی و بازتاب استاندارد نیز دارای مقادیر و توزیع مقادیر مشابهی هستند که بسته به تاریخ مشاهده شده از 05/0 تا 06/1 درصد تفاوت دارند. S2AC دارای توزیع مشابهی از مقادیر به عنوان بازتاب سطحی و بازتاب سطح استاندارد برای تقریباً تمام تاریخ ها با تفاوت به ترتیب از 0.02٪ تا 1.74٪ و 0.05٪ تا 1.63٪ است. مقدار متوسط ​​برای روش های طبقه بندی برای هر دوازده تاریخ 95.59٪ برای CB، 95.60٪ برای RF، 95.61٪ برای XGB و 96.51٪ برای SVM است.
شکل 6دقت طبقه بندی چهار روش مختلف را برای تصاویر تنها با ده باند بدون شاخص های رادیومتریک برای دوازده تاریخ اصلاح شده با شش تصحیح جوی مختلف نشان می دهد. تمام دقت‌های طبقه‌بندی برای همه روش‌ها و تصحیح جوی بالاتر از 91% است، به‌جز طبقه‌بندی SVM تصحیح جوی iCOR برای نوامبر 2017. بالاترین دقت کلی 99.27٪ در آگوست 2018 برای طبقه‌بندی XGB تصویر با بازتاب TOA و تصویر تصحیح شده با تصحیح DOS کمترین دقت طبقه‌بندی برای طبقه‌بندی SVM تصحیح جوی iCOR در نوامبر 2017، 88.25 درصد است. با مشاهده سایر ماه‌ها، SVM بالاترین دقت را برای همه تاریخ‌ها به جز سپتامبر 2017 و آگوست 2018 دارد، جایی که دقت کمتری 0.23 درصد از CB و 0 دارد. به ترتیب از XGB.
جدول 3 رتبه بندی هر روش را با شاخص های پوشش گیاهی در هر تاریخ (ستون) از رتبه اول (بیشترین دقت) تا رتبه بیست و چهارم (کمترین دقت) نشان می دهد. آخرین ستون جدول 3 مجموع همه رتبه‌بندی‌ها را برای هر دوازده تاریخ نشان می‌دهد. نتایج بهتر مقادیر کمتری دارند و با رنگ سبز تیره تر نشان داده می شوند. از جدول 3 ، روش SVM کمترین مقدار جمع را برای تمام اصلاحات جوی دارد، به این معنی که دقیق ترین روش طبقه بندی برای این دوره است.
جدول 4 رتبه بندی هر روش را بدون شاخص های رادیومتری، در هر تاریخ (ستون) از رتبه اول (بالاترین دقت) تا رتبه بیست و چهارم (کمترین دقت) نشان می دهد. آخرین ستون جدول 4 مجموع تمام رتبه بندی ها را برای هر دوازده تاریخ نشان می دهد. نتایج بهتر مقادیر کمتری دارند و با رنگ سبز تیره تر نشان داده می شوند. روش SVM کمترین مقدار جمع را برای تمام اصلاحات جوی دارد. تمام طبقه بندی ها برای اصلاحات جوی مختلف دارای مقادیر جمع شده مشابهی بین 52 و 66 برای SVM، 133 و 150 برای RF، 185 و 208 برای CB و 142 و 180 برای XGB هستند، در حالی که رتبه تصحیح iCOR برجسته است.
شکل 7 نمودارهای جعبه ای از دقت طبقه بندی را برای پنج کلاس مختلف پوشش زمین بدون استفاده از شاخص های رادیومتریک نشان می دهد. نتایج به عنوان مقادیر ترکیبی برای تمام اصلاحات جوی برای دوازده تاریخ ارائه شده است. کلاس آب پراکندگی دقت طبقه بندی برای همه خرماها و همچنین پوشش گیاهی بالایی ندارد. داده های پراکنده بیشتر تفاوت بین دقت طبقه بندی تصحیح جوی مختلف را نشان می دهد. بیشتر تفاوت ها بین زمین های ساخته شده، زمین های خالی و پوشش گیاهی کم است (نقاط در شکل 7 نشان دهنده نقاط پرت است). برای مارس 2017 و آوریل 2018 پوشش گیاهی کم دقت کمتری دارد و دقت زمین ساخته شده بین اصلاحات جوی پراکنده است.
شکل 8 نمودارهای جعبه ای از دقت طبقه بندی را برای پنج طبقه مختلف پوشش زمین با استفاده از پنج شاخص رادیومتری نشان می دهد. نتایج نشان می‌دهد که روندی مشابه بدون شاخص‌های رادیومتری دارد که آب و پوشش گیاهی بالا پراکندگی پایینی برای تمام تاریخ‌ها و تمام اصلاحات جوی دارند. علاوه بر این، پوشش گیاهی کم و زمین لخت در جولای 2017، نوامبر 2017 و 2018، آگوست 2017 و 2018 پراکندگی پایینی دارند، اما پراکندگی بالایی در دقت طبقه بندی بین تصحیح جوی در ژوئن 2017 و 2018، جولای 2018 و سپتامبر 2018 دارند.
ارزیابی‌های بصری نقشه‌های طبقه‌بندی پوشش زمین بر روی TOA، پنج تصحیح جوی مختلف: DOS، STDSREF، SREF، iCOR، S2AC و چهار روش طبقه‌بندی: XGB، RF، CB، SVM بر روی همه 576 نقشه طبقه‌بندی‌شده برای همه تاریخ‌ها انجام شد. شکل 9 نقشه های طبقه بندی را برای 12 ژوئن 2018 نشان می دهد . شکل 9 پنج کلاس طبقه بندی مختلف را برای چهار روش طبقه بندی مختلف و شش تصحیح جوی مختلف بدون شاخص های رادیومتری ارائه می کند. رنگ آبی نشان دهنده آب، منطقه شهری قرمز، پوشش گیاهی سبز تیره، پوشش گیاهی کم رنگ سبز روشن و زمین برهنه نارنجی است. تصویر مرجع برای ارزیابی بصری، عکس ارتو کرواسی برای سال 2017 و کامپوزیت با رنگ کاذب Sentinel-2 برای ژوئن 2018 است.
تفاوت های جزئی بین تصاویر طبقه بندی شده وجود دارد. بزرگترین تفاوت برای تصاویر طبقه بندی شده با الگوریتم CB است که در آن الگوریتم با زمین ساخته شده و زمین مصنوعی مشکل دارد. XGB همچنین مشکلات جزئی با همان دو کلاس طبقه بندی اما در مقیاس بسیار کوچکتر دارد. SVM بصری بهترین تصویر را با انتقال نرم‌تر بین کلاس‌ها و بهترین نمایش از دنیای واقعی ارائه می‌کند.
زمان محاسباتی به تعداد لایه‌های انباشته شده بستگی دارد، جایی که زمان طبقه‌بندی بدون شاخص‌های رادیومتری (10 لایه) کمتر از زمان طبقه‌بندی با شاخص‌های رادیومتری شامل (15 لایه) است. تفاوت بدون و با شاخص های رادیومتری از 0.53 دقیقه برای طبقه بندی CB تا 4.71 دقیقه برای روش طبقه بندی SVM متغیر است. در مقایسه روش طبقه بندی، CB سریع ترین روش با 1.69 دقیقه برای طبقه بندی با شاخص های رادیومتری و 1.16 دقیقه بدون، پس از XGB به ترتیب با 3.63 و 1.90 دقیقه، سومین روش RF با 8.26 و 7.23 دقیقه و کندترین روش SVM با 39.34 دقیقه است. دقیقه برای طبقه بندی با شاخص های رادیومتری و 34.63 دقیقه بدون. تمام زمان محاسباتی شامل آموزش و پیش بینی برای همه روش های طبقه بندی (شکل 10 ).

4. بحث

اولین گام در این تحقیق تصحیح جوی با استفاده از پنج الگوریتم مختلف S2AC، iCOR، DOS، SREF و STDSREF بود. پس از تصحیح اتمسفر، تصاویر به وضوح 10 متر نمونه برداری شدند. این تحقیق تأثیر نمونه‌گیری مجدد بر دقت طبقه‌بندی را بررسی نکرد، زیرا هانت و همکاران. [ 54 ] نتیجه گرفت که مدل 10 متری دقت بالاتری نسبت به مدل 20 متری هنگام استفاده از داده های Sentinel-2 و رگرسیون RF برای تخمین بازده دارد. علاوه بر این، ما از استانداردسازی داده ها استفاده کردیم زیرا شانکر و همکاران. [ 55 ] سه تکنیک استانداردسازی داده را تجزیه و تحلیل کرد و نتایج آنها نشان می‌دهد که داده‌های استاندارد شده نتایج عمومی بهتری به دست می‌دهد اما محاسبات را از نظر زمان محاسبه کند می‌کند.
اولین تحلیل، آنالیز طیفی مقادیر بازتاب ده باند Sentinel-2 مورد استفاده در این تحقیق بود. تجزیه و تحلیل در تمام دوازده تاریخ برای پنج طبقه پوشش زمین مورد استفاده برای طبقه بندی انجام شد. از این تجزیه و تحلیل، مشخص است که تصحیح DOS کمترین مقدار را برای تقریباً تمام طول موج ها و تمام طبقات پوشش زمین دارد. این مورد انتظار است زیرا DOS روش مبتنی بر تصویر است. از سوی دیگر، SREF، STDSREF; TOA، iCOR و S2AC مقادیر مشابهی دارند. در سال 2017، TOA بالاترین مقدار را برای تمام تاریخ ها برای تمام طول موج ها به جز باندهای SWIR دارد. این مورد انتظار است زیرا آب تقریباً هیچ بازتابی در باند SWIR ندارد [ 56]. STDSREF دارای بالاترین مقدار بازتاب خاک لخت، پوشش گیاهی بالا، پوشش گیاهی کم و زمین ساخته شده برای همه خرماها در دو باند NIR، سه RE و دو باند SWIR است، در حالی که TOA دارای بالاترین مقادیر برای آبی، سبز و در تاریخ های خاص برای قرمز است. نمودار طیفی نشان می دهد که در مارس 2017 زمین های برهنه و پوشش گیاهی کم ارزش مشابهی دارند، بنابراین یکی از دلایل دقت متعادل پایین تر است. اتفاق مشابهی در ژوئن 2017 رخ داد، جایی که پوشش گیاهی بالا و پایین مقادیر طیفی بسیار مشابهی دارند و طبقه‌بندی‌کننده‌ها دقت کمی پایین‌تری برای آن کلاس‌ها دارند. در ژوئن 2018، زمین برهنه دارای مقادیر طیفی مشابه با زمین ساخته شده، و همچنین پوشش گیاهی کم و زیاد بود. این منجر به دقت طبقه بندی پایین تر برای همه کلاس ها به جز آب شد.
الگوریتم‌های طبقه‌بندی یادگیری ماشین تحت تأثیر تصحیح جوی هستند زیرا مقادیر بازتاب سطح را تغییر می‌دهند. تفاوت اصلی در نتایج طبقه‌بندی با استفاده از روش یادگیری ماشین، تعریف الگوریتم متفاوت است. Noi و Kappas [ 13 ] تأثیر مجموعه داده آموزشی نامتعادل و متعادل را برای طبقه بندی پوشش زمین تحقیق کردند و به این نتیجه رسیدند که SVM بالاترین دقت را دارد، در حالی که RF اغلب دقت پایین تری برای مجموعه داده های نامتعادل دارد. آنها همچنین تعیین کردند که RF برای مجموعه داده های ماهواره ای متفاوت عمل می کند. در این تحقیق، همانند Noi و Kappas [ 13 ] به این نتیجه رسیدیم که SVM بالاترین دقت را دارد و در مورد ما، RF دارای دقت کمی کمتر از SVM است. باگوات و شانکار [ 57] عملکرد XGB داده های سنجش از راه دور چند برچسبی را تجزیه و تحلیل کرد و به این نتیجه رسید که XGB در مجموعه داده نامتعادل بهتر از RF عمل می کند. در تحقیقات ما، RF بهتر از XGB عمل کرد. یک دلیل احتمالی برای تفاوت در الگوریتم های یادگیری ماشین می تواند انتخاب فراپارامترهای تعریف شده توسط کاربر باشد. بهینه‌سازی فراپارامتر برای همه روش‌های یادگیری ماشین مبتنی بر تنظیم تکراری بدون بررسی تجربی مقادیر بهینه بود.
این تحقیق تاثیر شاخص های رادیومتری را بر دقت طبقه بندی مورد تجزیه و تحلیل قرار داد. کاسترو گومز [ 14 ] تأثیر NDVI، CIG، NDWI و شاخص گیاهی پیشرفته 2 را بر دقت طبقه بندی با استفاده از طبقه بندی RF و تصویر Sentinel-2 تجزیه و تحلیل کرد. نتایج او نشان می‌دهد که نتایج Sentinel-2 با استفاده از شاخص‌های پوشش گیاهی نسبت به نتایج بدون آن‌ها دقت بالاتری دارند. نتایج ما نشان می دهد که در یک تاریخ واحد، RF می تواند دقت بالاتری با شاخص های رادیومتری نسبت به بدون آنها داشته باشد. اما هنگام مشاهده دوازده تاریخ، دقت طبقه بندی بدون در نظر گرفتن شاخص های رادیومتری بالاتر است. دقت به‌دست‌آمده در این تحقیق از 25/88% تا 27/99% بدون احتساب شاخص‌های رادیومتریک و بین 62/89% تا 13/99% با شاخص‌های رادیومتریک، دارای دقت بالاتری است. کلوز و همکاران [ 15] استفاده از مجموعه داده Sentinel-2 و LUCAS را برای دقت طبقه بندی با استفاده از حداکثر احتمال، RF، k-نزدیک ترین همسایه و طبقه بندی کننده حداقل فاصله مورد تحقیق قرار داد. آنها پنج کلاس مختلف را طبقه‌بندی کردند: زمین‌های جنگلی، زمین‌های زراعی، علفزار، تالاب‌ها و سکونتگاه‌ها و با استفاده از طبقه‌بندی حداکثر احتمال به دقت کلی 91.1 درصد دست یافتند. تحقیقات ما به دقت 99.27 درصد در مورد آب، پوشش گیاهی بالا و کم، زمین های بایر و طبقات زمین ساخته شده دست یافت. این تحقیق نتیجه‌گیری مشابهی دارد عبدی [ 12 ] که تجزیه و تحلیل و عملکرد سه الگوریتم یادگیری ماشین را انجام داد: SVM، RF، XGB و الگوریتم یادگیری عمیق در مناظر پیچیده شمالی. عبدی [ 12] دقت طبقه بندی را از 73.3% برای یادگیری عمیق تا 75.8% برای SVM بدست آورد. تحقیقات ما همچنین بالاترین دقت را با الگوریتم طبقه بندی SVM به دست آورد.
Vanonckelen و همکاران. [ 10] اثر روش‌های تصحیح جفت شده را بر دقت طبقه‌بندی کاربری/پوشش زمین ارزیابی کرد. آنها از سه تصحیح جوی و پنج تصحیح توپوگرافی برای دو تصویر Landsat استفاده کردند. آنها از داده ها بدون تصحیح جو، تصحیح تفریق شی DOS و تصحیح بر اساس انتقال برای تصحیح اتمسفر و داده های بدون تصحیح توپوگرافی، سهمیه بندی باند، تصحیح کسینوس، Minnaert مبتنی بر پیکسل و تصحیح توپوگرافی تصحیح C مبتنی بر پیکسل استفاده کردند. این منجر به پانزده نقشه پوشش زمین شد که بر اساس دو مجموعه اعتبار سنجی به صورت آماری ارزیابی شدند. آنها از طبقه بندی کننده حداکثر درستنمایی بر اساس توزیع گاوسی استفاده کردند. نتایج آنها نشان می‌دهد که تصحیح اتمسفر تأثیر کمی بر نتایج طبقه‌بندی بین دو تاریخ دارد، که به دلیل تغییرات اندک در پارامترهای جوی انتظار می‌رود.
نتیجه طبقه بندی با و بدون شاخص های رادیومتری نشان می دهد که روش طبقه بندی SVM بهترین دقت کلی را برای تمام دوازده تاریخ در دو سال ارائه می دهد. طبقه بندی SVM بهترین نتایج را برای تمام اصلاحات جوی برای هر دو حالت (با و بدون شاخص های رادیومتری) دارد. بسته به درج یا حذف شاخص های رادیومتریک، بهترین نتیجه با STDSREF و S2AC بر این اساس به دست می آید. این نتیجه با توجه به اینکه SVM بهترین نتیجه را در تحقیقات Noi و Kappas ارائه کرد، انتظار می رفت [ 10 ]]. SVM برای یافتن راه حل های بهینه برای مسائل طبقه بندی با استفاده از برازش هایپرپلان طراحی شده است که بهترین جداسازی را بین دو کلاس در فضای ویژگی های چند بعدی فراهم می کند، که یکی از مزایای اصلی SVM در مقایسه با سایر الگوریتم های طبقه بندی یادگیری ماشین است [ 49 ، 50 ].]. این مزیت در تحقیق ما تأیید شد، با SVM که بالاترین دقت و بهترین تمایز را بین طبقات پوشش / کاربری زمین دارد. با تجزیه و تحلیل طبقه بندی CB، RF و XGB با شاخص های رادیومتریک شامل، می توان دریافت که CB بهترین دقت کلی را برای تصحیح اتمسفر iCOR و S2AC دارد، RF بهترین دقت کلی را برای اصلاحات SREF، STDSREF و TOA دارد، در حالی که XGB بهترین دقت کلی را دارد. دقت برای تصحیح اتمسفر DOS. نتایج طبقه بندی بدون شاخص های رادیومتریک کاملاً متفاوت است. روش طبقه بندی RF در مقایسه با CB و XGB بهترین دقت کلی را برای تمام اصلاحات جوی دارد. علاوه بر این، XGB دومین و CB بدترین برای تمام اصلاحات جوی در دوازده تاریخ است. یکی از دلایل عملکرد CB حساسیت به انتخاب فراپارامترها است. که در این تحقیق به طور کامل مورد تجزیه و تحلیل قرار نگرفت. علاوه بر این، XGB در مجموعه داده های بزرگتر عملکرد بهتری دارد، در حالی که RF برای مجموعه داده های کوچکتر عملکرد بهتری دارد. این می تواند به این نتیجه منجر شود که مجموعه داده ما برای XGB بسیار کوچک است و برای عملکرد بهتر و دستیابی به دقت کلی بهتر به داده های بیشتری نیاز دارد. دلیل دیگر می تواند ساختار ریاضی الگوریتم باشد که منجر به منظم تر بودن RF نسبت به XGB می شود.
مجموع رتبه بندی برای طبقه بندی SVM نشان می دهد که همه مقادیر به جز S2AC برای طبقه بندی بدون شاخص های رادیومتری بسیار کمتر (بهتر) نسبت به مقادیر با شاخص های رادیومتریک هستند. این نتیجه همان نتیجه هانت و همکاران است. [ 54] که تجزیه و تحلیل کرد که آیا محاسبه شاخص‌های پوشش گیاهی جداگانه ارزش بیشتری برای مدل تخمین می‌افزاید و به این نتیجه رسید که شاخص‌های رادیومتری هیچ ارزش اضافی به مدل اضافه نمی‌کنند، اما حتی می‌توانند دقت تکنیک‌های طبقه‌بندی خاص را کاهش دهند. مجموع رتبه‌بندی برای تصحیح RF، DOS دارای رتبه‌بندی یکسانی با و بدون شاخص‌های رادیومتریک است، در حالی که iCOR و TOA برای طبقه‌بندی بدون شاخص‌های رادیومتری رتبه کمی بهتری دارند. رتبه بندی طبقه بندی کننده XGB با شاخص های رادیومتری برای تصحیح جوی TOA، DOS، iCOR و S2AC و بدون شاخص های رادیومتری برای SREF و STDSREF بهتر است. از طرفی رتبه بندی طبقه بندی کننده CB در استفاده از شاخص های رادیومتریک و بدون استفاده از شاخص های رادیومتریک نتیجه بسیار بهتری دارد.
همه روش های طبقه بندی کمترین رتبه را برای تصحیح اتمسفر iCOR دارند. یکی از دلایل این است که iCOR برای تصحیح ویژگی‌های زمین و آب توسعه یافته است. یکی از محدودیت های الگوریتم دشواری در استخراج تخمین مدل آئروسل قابل اعتماد و این فرض است که بازتاب سطح باید به صورت ترکیبی خطی از دو پوشش گیاهی سبز خالص و یک عضو انتهایی خاک لخت نمایش داده شود. یکی دیگر از محدودیت های iCOR این است که تصویر را برای اثرات درخشش خورشید تصحیح نمی کند [ 26]. SREF و STDSREF فقط با طبقه بندی SVM با و بدون شاخص های رادیومتریک و تا حدی برای طبقه بندی XGB با تصحیح جوی STDSREF عملکرد خوبی دارند. یکی از دلایل این است که SVM از برازش هایپرپلن با بهترین تمایز بین کلاس ها استفاده می کند. CB، RF و XGB بهترین نتایج را برای تصاویر با بازتاب TOA به دست آوردند و با استفاده از تصحیح DOS با و بدون شاخص های رادیومتری شامل تصحیح شدند.
پوشش گیاهی کم و زمین لخت دو طبقه پوشش زمین هستند که بیشترین تأثیر را بر دقت طبقه بندی دارند. در ماه های بهار مارس 2017 و آوریل 2018 پوشش گیاهی کم دارای کمترین دقت متعادل بوده و بیشترین تأثیر را بر دقت طبقه بندی کلی دارد. این انتظار می رود زیرا پوشش گیاهی بالا هنوز رشد نمی کند، در حالی که آب و منطقه ساخته شده تغییر نمی کند. بازتاب کم پوشش گیاهی بیشتر است زیرا چرخه فنولوژی زودتر از چرخه پوشش گیاهی بالا شروع می شود بنابراین طبقه بندی کننده ها می توانند پوشش گیاهی بالا و پایین را با هم مخلوط کنند. این می تواند منجر به طبقه بندی نادرست شود که می تواند دقت را کاهش دهد. این مورد برای طبقه بندی با شاخص های رادیومتری و بدون آن است. آب، پوشش گیاهی بالا و زمین ساخته شده دارای دقت طبقه بندی مشابهی در جولای 2017 و 2018 هستند. در ژوئیه 2018 زمین برهنه دقت کمتر و پراکنده‌تری دارد و پوشش گیاهی کم دقت بالاتری نسبت به جولای 2017 دارد. این تفاوت‌ها عمدتاً به دلیل مقادیر مختلف بازتاب به دلیل شرایط آب و هوایی متفاوت در سال‌های 2017 و 2018 است. در جولای 2017 بسیار گرم و خشک بود. ، در حالی که در سال 2018 شرایط عادی برای منطقه زاگرب بود. دلیل دیگر می‌تواند تعداد کمتر نمونه‌ها برای زمین خالی در جولای 2018 باشد که بر الگوریتم‌های طبقه‌بندی تأثیر می‌گذارد که می‌توان آن را در پراکندگی نتایج در جولای 2018 مشاهده کرد. نوامبر 2017 و 2018 دقت متعادل بسیار مشابهی برای همه کلاس‌ها با تفاوت جزئی در پایین دارند. زندگی گیاهی. در آگوست 2018 تفاوت ها در زمین های بایر، پوشش گیاهی کم و طبقات زمین ساخته شده است. تمام کلاس ها در آگوست 2018 دقت بسیار بالایی داشتند. در آگوست 2017 بسیار گرم و خشک بود. در حالی که در سال 2018 بسیار گرم بود، اما با شرایط بارانی معمولی. در سپتامبر 2017 و 2018 تفاوت در طبقات خاک لخت، پوشش گیاهی بالا و کم است. یکی از دلایل می تواند هوای متفاوتی باشد که در سپتامبر 2017 سرد و بسیار بارانی بود و در سال 2018 بسیار گرم و خشک بود.
تفاوت در دقت کلاس‌های بدون شاخص‌های رادیومتریک در همان ماه‌هایی است که با شاخص‌های رادیومتریک گنجانده شده است، با یک تفاوت در ژوئن 2017 و 2018، جایی که دقت کمی برای زمین‌های ساخته شده در سال 2017 و برای زمین خالی در سال 2018 وجود دارد. یکی از دلایل مشابه مقادیر بازتاب طیفی است که می تواند رخ دهد و الگوریتم طبقه بندی را اشتباه بگیرد. شاخص های رادیومتری بر رتبه بندی و به ترتیب دقت کلی روش های طبقه بندی تاثیر دارند. با رعایت طبقه بندی برای هر تاریخ، بیشترین تفاوت در رتبه بندی بین طبقه بندی شامل شاخص های رادیومتریک و بدون آن، در نوامبر 2017 و 2018 است.
رتبه بندی بر اساس تاریخ واحد نشان می دهد که شاخص های رادیومتریک یا عدم وجود آنها، تاریخ های مختلف را تحت تأثیر قرار می دهند. برای طبقه‌بندی SVM تصحیح جوی DOS با شاخص‌های رادیومتریک، چهار تاریخ با رتبه‌بندی کمتر از 10 وجود دارد. این تاریخ‌ها عبارتند از 20. ژوئن 2017، 24 نوامبر 2017 و 29 اوت 2018. از سوی دیگر، طبقه‌بندی بدون شاخص‌های رادیومتری تنها یک رتبه پایین‌تر از 10 در 30 سپتامبر 2017. این نشان می دهد که الگوریتم با یا بدون شاخص های رادیومتری عملکرد متفاوتی دارد که تحقیقات قبلی را تأیید می کند که انتخاب ویژگی بسیار مهم است [ 58 , 59 , 60 ] و نباید افزونگی (همبستگی ویژگی) در لایه های مختلف وجود داشته باشد [ 61 ] ].
دقت طبقه بندی متوازن طبقات پوشش زمین زمانی که با شاخص های رادیومتری و بدون آنها طبقه بندی می شوند مشابه است. بزرگترین تفاوت در آوریل و سپتامبر 2018 است. در آوریل زمین ساخته شده دارای دقت مشابهی برای تمام تصحیحات جوی با شاخص های رادیومتریک است، در حالی که نتایج بدون شاخص های رادیومتری پراکنده تر هستند. در سپتامبر 2018، تفاوت در کلاس زمین خالی است، جایی که دقت متعادل برای طبقه‌بندی با شاخص‌های رادیومتریک در مقایسه با بدون آنها کم است. این تفاوت ها بیشتر به دلیل، همانطور که قبلاً گفته شد، انتخاب ویژگی و همبستگی ویژگی است که بر نتایج طبقه بندی تأثیر می گذارد.
منطقه اطراف دریاچه Jarun در زاگرب برای ارزیابی بصری انتخاب شد زیرا دارای یک پوشش ناهمگون زمین است. Orthophoto کرواسی برای سال 2017 به عنوان تصویر مرجع استفاده شد. با مقایسه بصری تصاویر توسط تصحیح جوی، می توان دریافت که طبقه بندی CB زمین های ساخته شده و پوشش گیاهی کم را به عنوان طبقه های زمین برهنه طبقه بندی کرد. XGB و RF همچنین پوشش گیاهی کم و زمین های ساخته شده را به عنوان زمین های بایر اما در حاشیه بسیار کمتر طبقه بندی کردند. همه طبقه‌بندی‌کننده‌ها با پوشش گیاهی پایین‌تر مشکل دارند، زیرا بخشی از پوشش گیاهی کم به دلیل زمان فصل رشد، به عنوان پوشش گیاهی بالا طبقه‌بندی می‌شود و بخشی از پوشش گیاهی به عنوان زمین‌های لخت طبقه‌بندی می‌شود.
زمان پردازش طبقه بندی برای همه روش های طبقه بندی بسیار متفاوت است. SVM کندترین روش طبقه بندی است که تقریباً 5 برابر کندتر از RF است. RF زمانی که شاخص های رادیومتریک گنجانده شود 4 برابر کندتر از XGB و بدون شاخص های رادیومتریک 2 برابر کندتر است. CB سریعترین الگوریتم است. این 1.5× سریعتر از XGB بدون شاخص های رادیومتریک و 2× سریعتر با شاخص های رادیومتریک است. اگر دقت انجام شده و زمان طبقه‌بندی بدون شاخص‌های رادیومتری مقایسه شود، سریع‌ترین روش کمترین دقت و کندترین روش بیشترین دقت را دارد. کندترین روش طبقه بندی با شاخص های رادیومتری SVM است، اما بالاترین دقت کلی را دارد. RF به عنوان دومین روش کندتر، دارای دومین دقت بالاتر برای TOA و دو تصحیح جوی است: SREF و STDSREF.

5. نتیجه گیری ها

تأثیر پنج اصلاح جوی، یعنی S2AC، iCOR، DOS، SREF، STDSREF، بر روی پنج الگوریتم طبقه‌بندی یادگیری ماشین، SVM، RF، XGB، CB مورد بررسی قرار گرفت. روش طبقه‌بندی SVM از همه روش‌های دیگر با شاخص‌های رادیومتریک، اما همچنین بدون شاخص‌های رادیومتریک برای همه دوازده تاریخ، بهتر عمل کرد. دقت کلی SVM بین 90.89% برای تصحیح iCOR و 99.09% برای S2AC با مقدار میانه 96.51% بسته به تاریخ با شاخص های رادیومتری و بین 88.25% برای iCOR و 99.22% برای TOA بدون شاخص های رادیومتریک بود. طبقه بندی SVM برای تمام اصلاحات جوی بهترین بود. برای طبقه بندی با شاخص های رادیومتری شامل SVM بهترین عملکرد را برای S2AC با مقدار میانه 96.54% داشت. در حالی که برای طبقه بندی بدون شاخص های رادیومتریک SVM بهترین عملکرد را برای STDSREF با مقدار میانه 96.83% داشت. رتبه بندی بدون شاخص های رادیومتری برای SVM و RF بهتر است اما برای XGB و CB پایین تر است.
این مطالعه نشان داد و تأیید کرد که SVM بهترین طبقه‌بندی کننده یادگیری ماشین برای طبقه‌بندی پوشش/استفاده از زمین است و عملکرد بهتری از RF، CB و XGB دارد. از سوی دیگر، SVM کندترین الگوریتم از نظر زمان محاسباتی مورد نیاز برای طبقه‌بندی بود، در حالی که RF و XGB سریع‌تر و CB سریع‌ترین روش یادگیری ماشین بودند. بنابراین، زمانی که زمان مهم است، این باید در نظر گرفته شود. این تحقیق به این نتیجه رسید که انتخاب طبقه‌بندی‌کننده‌ها از همه مهم‌تر است، در حالی که انتخاب روش تصحیح جوی، جدای از تصحیح iCOR، اهمیت چندانی ندارد، اگرچه مقادیر طیفی تصاویر ماهواره‌ای را تغییر می‌دهند.
یکی از مهمترین جنبه های این تحقیق این واقعیت است که تمام روش های طبقه بندی تصحیح جو و یادگیری ماشین به همراه مجموعه داده Sentinel-2 به صورت رایگان در دسترس هستند.
تحقیقات ما در سال‌های 2017 و 2018 در یک سایت مطالعه خاص از شهر زاگرب انجام شد، بنابراین کارهای بیشتر باید شامل اصلاحات جوی بیشتر، مکان‌های مطالعه جدید، سال‌های مختلف و طبقه‌بندی چند زمانی با تمام تاریخ‌ها در نظر گرفته شود.

منابع

  1. کریسولاکیس، ن. آبرامز، ام. فیداس، اچ. آرای، ک. مقایسه روش‌های تصحیح جوی با استفاده از داده‌های ASTER برای منطقه کرت، یونان. بین المللی J. Remote Sens. 2010 , 31 , 6347-6385. [ Google Scholar ] [ CrossRef ]
  2. کلاوری، ام. جو، جی. ماسک، جی جی. دانگان، جی ال. Vermote، EF; راجر، جی سی. Skakun، SV; جاستیس، سی. مجموعه داده های بازتاب سطح هماهنگ Landsat و Sentinel-2. سنسور از راه دور محیط. 2018 ، 219 ، 145-161. [ Google Scholar ] [ CrossRef ]
  3. لانتساناکیس، جی. میتراکا، ز. Chrysoulakis, N. مقایسه روش‌های تصحیح جوی فیزیکی و تصویری برای تصاویر ماهواره‌ای Sentinel-2. در مجموعه مقالات چهارمین کنفرانس بین المللی سنجش از دور و اطلاعات جغرافیایی محیط زیست (RSCy2016)، پافوس، قبرس، 4 تا 8 آوریل 2016. جلد 9688، ص. 96880A. [ Google Scholar ]
  4. آدام، ای. موتانگا، او. اودیندی، ج. عبدالرحمن، طبقه‌بندی EM کاربری زمین/پوشش در یک چشم‌انداز ساحلی ناهمگن با استفاده از تصاویر RapidEye: ارزیابی عملکرد طبقه‌بندی‌کننده‌های ماشین‌های بردار تصادفی جنگل و پشتیبانی. بین المللی J. Remote Sens. 2014 ، 35 ، 3440-3458. [ Google Scholar ] [ CrossRef ]
  5. Koc-San, D. ارزیابی تکنیک های مختلف طبقه بندی برای تشخیص گلخانه های شیشه ای و پلاستیکی از تصاویر ماهواره ای WorldView-2. J. Appl. Remote Sens. 2013 , 7 , 073553. [ Google Scholar ] [ CrossRef ]
  6. سونوبه، آر. یامایا، ی. تانی، اچ. وانگ، ایکس. کوبایاشی، ن. Mochizuki، K. ichiro ارزیابی مناسب بودن داده‌های Sentinel-1A و 2A برای طبقه‌بندی محصول. GIScience Remote Sens. 2017 ، 54 ، 918-938. [ Google Scholar ] [ CrossRef ]
  7. بالاانتی، ال. بلسیوس، ال. هاینز، ای. Kruse, B. طبقه بندی گونه های درختی با استفاده از تصاویر فراطیفی: مقایسه دو طبقه بندی کننده. Remote Sens. 2016 , 8 , 445. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. لیانگ، اس. نیش، اچ. چن، ام. تصحیح جوی تصاویر سطح زمین Landsat ETM+-بخش اول: روش‌ها. IEEE Trans. Geosci. Remote Sens. 2001 , 39 , 2490-2498. [ Google Scholar ] [ CrossRef ]
  9. رومورا، ال. میلر، م. مداک، دی. ارزیابی مقایسه‌ای معاصر تأثیر تصحیح جوی بر شاخص‌های رادیومتریک بین تصاویر Sentinel-2A و Landsat 8. Geocarto Int. 2019 ، 1-15. [ Google Scholar ] [ CrossRef ]
  10. وانونکلن، اس. لرمیت، اس. Van Rompaey, A. تأثیر روش‌های تصحیح جوی و توپوگرافی بر دقت طبقه‌بندی پوشش زمین. بین المللی J. Appl. زمین Obs. Geoinf. 2013 ، 24 ، 9-21. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. لین، سی. Wu، CC; سوگت، ک. اویانگ، YC; تأثیرات چانگ، CI از تصحیح جوی و شفاف‌سازی بر دقت طبقه‌بندی LULC با استفاده از تصاویر WorldView-2. Inf. روند. کشاورزی 2015 ، 2 ، 25-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. عملکرد پوشش زمین و طبقه‌بندی کاربری اراضی عبدی، AM الگوریتم‌های یادگیری ماشین در یک چشم‌انداز شمالی با استفاده از داده‌های Sentinel-2. GIScience Remote Sens. 2020 ، 57 ، 1-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. Noi, PT; Kappas، M. مقایسه طبقه‌بندی‌کننده‌های ماشین تصادفی جنگل، k-نزدیک‌ترین همسایه و بردار پشتیبان برای طبقه‌بندی پوشش زمین با استفاده از تصاویر نگهبان-2. Sensors (Switzerland) 2017 , 18. [ Google Scholar ]
  14. کاسترو گومز، MG استفاده مشترک از Sentinel-1 و Sentinel-2 برای طبقه بندی پوشش زمین: یک رویکرد یادگیری ماشینی. دانشگاه لوند پایان نامه GEM Ser. 2017 ، NGEM01 ، 20162. [ Google Scholar ]
  15. بستن، O. بنیامین، بی. پتیت، اس. فریپیات، ایکس. Hallot، E. استفاده از پایگاه داده Sentinel-2 و LUCAS برای فهرست کاربری زمین، تغییر کاربری زمین، و جنگلداری در والونیا، بلژیک. Land 2018 , 7 , 154. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. تراگانوس، دی. پورسانیدیس، د. آگاروال، بی. کریسولاکیس، ن. Reinartz، P. برآورد عمق سنجی مشتق از ماهواره (SDB) با موتور Google Earth و Sentinel-2. Remote Sens. 2018 , 10 , 859. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. یادداشت انتشار نرم افزار Sen2Cor. در دسترس آنلاین: https://step.esa.int/thirdparties/sen2cor/2.5.5/docs/S2-PDGS-MPC-L2A-SRN-V2.5.5.pdf. (در 9 آوریل 2020 قابل دسترسی است).
  18. بانتینگ، پ. Clewley، D. تصحیح جوی و رادیومتری تصاویر ماهواره ای (ARCSI). در دسترس آنلاین: https://www.arcsi.remotesensing.info/. (در 9 آوریل 2020 قابل دسترسی است).
  19. اسنپ ​​ESA. در دسترس آنلاین: https://step.esa.int/main/toolboxes/snap/ (در 9 آوریل 2020 قابل دسترسی است).
  20. ریشتر، آر. شلاپفر، دی. مولر، ا. تصحیح جوی عملیاتی برای طیف‌سنج‌های تصویربرداری که اثر لبخند را محاسبه می‌کنند. IEEE Trans. Geosci. Remote Sens. 2011 ، 49 ، 1772-1780. [ Google Scholar ] [ CrossRef ]
  21. امده، سی. Buras-Schnell, R.; کیلینگ، ای. مایر، بی. گاستایگر، جی. هامان، یو. کیلینگ، جی. ریشتر، بی. مکث، سی. داولینگ، تی. و همکاران بسته نرم افزاری libRadtran برای محاسبات انتقال تابشی (نسخه 2.0.1). Geosci. مدل Dev. 2016 ، 9 ، 1647-1672. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. تامینگ، ک. کوتسر، تی. لاس، ا. سپ، ام. پاول، بی. اولین تجربه در نقشه برداری پارامترهای کیفیت آب دریاچه با تصاویر نگهبان-2 MSI. Remote Sens. 2016 ، 8 ، 640. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. Guanter, L. الگوریتم های جدید برای تصحیح جو و بازیابی پارامترهای بیوفیزیکی در رصد زمین . کاربرد برای داده های ENVISAT / MERIS، دانشگاه والنسیا: والنسیا، اسپانیا، 2006. [ Google Scholar ]
  24. استرککس، اس. Knaeps، E. آدریانسن، اس. Reusen، I.; دی کوکلیر، ال. شکارچی، پی. اپرا: تصحیح جوی برای زمین و آب. Proc. ارسال شده در. علمی کار کنید. 2015 ، 1 ، 3-6. [ Google Scholar ]
  25. کونیگ، ام. هیرونیمی، م. Oppelt، N. کاربرد نگهبان-2 msi در تحقیقات قطب شمال: ارزیابی عملکرد رویکردهای تصحیح جوی بر روی یخ دریای قطب شمال. جلو. علوم زمین 2019 ، 7 ، 22. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  26. دی کوکلیر، ال. استرککس، اس. آدریانسن، اس. Knaeps، E. Reusen، I.; جیاردینو، سی. برسیانی، م. هانتر، پی. نیل، سی. ون درزنده، دی. و همکاران تصحیح جوی داده‌های Landsat-8/OLI و Sentinel-2/MSI با استفاده از الگوریتم iCOR: اعتبارسنجی برای آب‌های ساحلی و داخلی یورو J. Remote Sens. 2018 , 51 , 525–542. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. پریرا-ساندووال، م. روسکاس، آ. اورگو، پ. رویز-وردو، آ. دلگیدو، جی. تنجو، سی. سوریا-پرپینیا، X. ویسنته، ای. سوریا، جی. مورنو، جی. ارزیابی الگوریتم‌های تصحیح اتمسفر بر روی آب‌های داخلی اسپانیا برای داده‌های تصاویر چند طیفی Sentinel-2. Remote Sens. 2019 , 11 , 1469. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. چاوز، PS اصلاحات جوی مبتنی بر تصویر – بازبینی و بهبود یافته است. فتوگرام مهندس Remote Sens. 1996 , 62 , 1025-1036. [ Google Scholar ]
  29. Vermote، EF; تانره، دی. Deuzé، JL; هرمان، م. مورکرت، JJ دومین شبیه سازی سیگنال ماهواره ای در طیف خورشیدی، 6s: یک نمای کلی. IEEE Trans. Geosci. Remote Sens. 1997 , 35 , 675-686. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. Bunting، P. مقدمه ای بر ARCSI برای تولید داده های آماده تحلیل (ARD). در دسترس آنلاین: https://www.arcsi.remotesensing.info/tutorials/ARCSI_Intro_Tutorial_compress.pdf (در 9 آوریل 2020 قابل دسترسی است).
  31. شپرد، جی دی. Dymond, JR تصحیح تصاویر ماهواره ای برای واریانس بازتاب و روشنایی با توپوگرافی. بین المللی J. Remote Sens. 2003 , 24 , 3503-3514. [ Google Scholar ] [ CrossRef ]
  32. بارت، اف. گیوت، جی. عمده، DJ ارزیابی زیست توده محصول با استفاده از اندازه گیری های رادیومتری. Photogrammetria 1989 ، 43 ، 241-256. [ Google Scholar ] [ CrossRef ]
  33. McFeeters، SK استفاده از شاخص تفاوت عادی آب (NDWI) در ترسیم ویژگی‌های آب آزاد. بین المللی J. Remote Sens. 1996 ، 17 ، 1425-1432. [ Google Scholar ] [ CrossRef ]
  34. چی، جی. چهبونی، ع. Huete، AR؛ کر، YH; سروشیان، س. شاخص گیاهی اصلاح شده با خاک. سنسور از راه دور محیط. 1994 ، 48 ، 119-126. [ Google Scholar ] [ CrossRef ]
  35. گودینیو، اس. گیومار، ن. Gil، A. استفاده از یک الگوریتم افزایش گرادیان تصادفی برای تجزیه و تحلیل اثربخشی داده های Landsat 8 برای نقشه برداری پوشش زمین مونتادو: کاربرد در جنوب پرتغال. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 49 ، 151-162. [ Google Scholar ] [ CrossRef ]
  36. Lacaux، JP; توره، YM; ویگنولز، سی. Ndione، JA; Lafaye, M. طبقه بندی حوضچه ها از سنجش از دور با وضوح بالا: کاربرد در اپیدمی های تب دره ریفت در سنگال. سنسور از راه دور محیط. 2007 ، 106 ، 66-74. [ Google Scholar ] [ CrossRef ]
  37. بلژیک، م. Csillik، O. Sentinel-2 نگاشت زمین زراعی با استفاده از تجزیه و تحلیل تاب خوردگی زمانی پویا مبتنی بر پیکسل و شیء مبتنی بر زمان. سنسور از راه دور محیط. 2018 ، 204 ، 509-523. [ Google Scholar ] [ CrossRef ]
  38. یانگ، ایکس. ژائو، اس. Qin، X. ژائو، ن. لیانگ، ال. نقشه برداری از آب های سطحی شهری از تصاویر نگهبان-2 MSI در وضوح 10 متر از طریق وضوح تصویر مبتنی بر NDWI. Remote Sens. 2017 , 9 , 596. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. الحاق، م. گیتاس، آی. عثمان، ع. بهراوی، ج. Gikas، P. ارزیابی پارامترهای کیفیت آب با استفاده از بازتاب طیفی سنجش از دور زمانی در محیط‌های خشک، عربستان سعودی. آب (سوئیس) 2019 ، 11 ، 556. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  40. جمهوری کرواسی، اداره ژئودتیک ایالتی (DGU) ژئوپورتال DGU. در دسترس آنلاین: https://geoportal.dgu.hr/ (در 13 ژانویه 2020 قابل دسترسی است).
  41. خو، آر. لین، اچ. لو، ی. لو، ی. رن، ی. Comber، A. یک رویکرد بردار تغییر اصلاح شده برای تعیین کمیت تغییر پوشش زمین. Remote Sens. 2018 , 10 , 1578. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News 2002 , 2 , 18-22. [ Google Scholar ]
  44. پال، M. طبقه بندی جنگل تصادفی برای طبقه بندی سنجش از دور. بین المللی J. Remote Sens. 2005 ، 26 ، 217-222. [ Google Scholar ] [ CrossRef ]
  45. Gislason، PO; بندیکتسون، جی. Sveinsson, JR جنگل های تصادفی برای طبقه بندی پوشش زمین. Lett تشخیص الگو. 2006 ، 27 ، 294-300. [ Google Scholar ] [ CrossRef ]
  46. چن، تی. Guestrin, C. XGBoost: یک سیستم تقویت درخت مقیاس پذیر. در مجموعه مقالات کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 17 اوت 2016. [ Google Scholar ]
  47. Daoud, E. Al مقایسه XGBoost، LightGBM و CatBoost با استفاده از مجموعه داده اعتبار خانگی. بین المللی جی. کامپیوتر. Inf. مهندس 2019 ، 13 ، 6-10. [ Google Scholar ]
  48. پروخورنکوا، ال. گوسف، جی. ووروبف، آ. دوروگوش، ا.و. Gulin، A. Catboost: تقویت بی طرفانه با ویژگی های طبقه بندی شده. در مجموعه مقالات پیشرفت‌ها در سیستم‌های پردازش اطلاعات عصبی، مونترال، QC، کانادا، 2 تا 8 دسامبر 2018. [ Google Scholar ]
  49. پتروپولوس، GP; کالایتزیدیس، سی. Prasad Vadrevu، K. ماشین‌های برداری و طبقه‌بندی مبتنی بر شی برای به دست آوردن نقشه‌برداری کاربری/پوشش از تصاویر فراطیفی Hyperion. محاسبه کنید. Geosci. 2012 ، 41 ، 99-107. [ Google Scholar ] [ CrossRef ]
  50. هوانگ، سی. آهنگ، ک. کیم، اس. تاونشند، جی آر جی؛ دیویس، پی. ماسک، جی جی. Goward، SN استفاده از مفهوم شیء تاریک و ماشین‌های بردار پشتیبانی برای خودکارسازی تحلیل تغییر پوشش جنگل. سنسور از راه دور محیط. 2008 ، 112 ، 970-985. [ Google Scholar ] [ CrossRef ]
  51. Knorn، J. رابه، ا. Radeloff، VC; کومرل، تی. کوزاک، جی. Hostert, P. نقشه برداری پوشش زمین از مناطق بزرگ با استفاده از طبقه بندی زنجیره ای تصاویر ماهواره ای همسایه لندست. سنسور از راه دور محیط. 2009 ، 113 ، 957-964. [ Google Scholar ] [ CrossRef ]
  52. ینگکیو، ال. وی، ال. Yuunchun، L. طبقه بندی ترافیک شبکه با استفاده از خوشه بندی K-means. در مجموعه مقالات – دومین سمپوزیوم بین المللی چندگانه در علوم کامپیوتر و محاسبات، IMSCCS’07، شهر آیووا، IA، ایالات متحده آمریکا، 13–15 اوت 2007; صص 360-365. [ Google Scholar ]
  53. برودرسن، KH; Ong، CS; استفان، KE; Buhmann, JM دقت متعادل و توزیع پسین آن. در مجموعه مقالات – کنفرانس بین المللی شناخت الگو، استانبول، ترکیه، 23 تا 26 اوت 2010. صص 3121–3124. [ Google Scholar ]
  54. هانت، ام ال. بلکبرن، GA؛ کاراسکو، ال. مو قرمز، JW; Rowland، CS نقشه برداری عملکرد گندم با وضوح بالا با استفاده از Sentinel-2. سنسور از راه دور محیط. 2019 ، 233 ، 111410. [ Google Scholar ] [ CrossRef ]
  55. شانکر، ام اس; هو، من؛ هانگ، MS اثر استانداردسازی داده ها بر آموزش شبکه عصبی. امگا 1996 ، 24 ، 385-397. [ Google Scholar ] [ CrossRef ]
  56. وانهلمونت، کیو. Ruddick, K. مزایای باندهای SWIR با کیفیت بالا برای پردازش رنگ اقیانوس: نمونه هایی از Landsat-8. سنسور از راه دور محیط. 2015 ، 161 ، 89-106. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. باگوات، روسیه؛ اوما شانکار، بی. طبقه بندی چند برچسبی جدید از تصاویر سنجش از راه دور با استفاده از XGBoost. در مجموعه مقالات پنجمین کنفرانس بین المللی IEEE 2019 برای همگرایی در فناوری (I2CT)، بمبئی، هند، 29 تا 31 مارس 2019. [ Google Scholar ]
  58. نخل.؛ Foody, GM انتخاب ویژگی برای طبقه بندی داده های فراطیفی توسط SVM. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 2297–2307. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. لی، ایکس. چن، دبلیو. چنگ، ایکس. لیائو، ی. چن، جی. مقایسه و ادغام روش‌های کاهش ویژگی برای طبقه‌بندی پوشش زمین با تصاویر RapidEye. چندتایی. ابزارهای کاربردی 2017 ، 76 ، 23041-23057. [ Google Scholar ] [ CrossRef ]
  60. لو، اف. میشل، یو. دچ، اس. کنراد، سی. تأثیر انتخاب ویژگی بر دقت و عدم قطعیت فضایی طبقه‌بندی محصول در هر مزرعه با استفاده از ماشین‌های بردار پشتیبان. ISPRS J. Photogramm. Remote Sens. 2013 ، 85 ، 102-119. [ Google Scholar ] [ CrossRef ]
  61. مکره چی، م. کامل، MS انتخاب ویژگی تهاجمی بر اساس رتبه بندی ویژگی. در روشهای محاسباتی انتخاب ویژگی ; Liu, H., Motoda, H., Eds. CRC Press: Boca Raton، FL، USA، 2007; صص 313-335. [ Google Scholar ]
Ijgi 09 00277 g001 550
شکل 1. موقعیت منطقه مطالعه.
Ijgi 09 00277 g002 550
شکل 2. گردش کار پردازش Sentinel-2.
Ijgi 09 00277 g003 550
شکل 3. امضاهای طیفی Sentinel-2 از پنج اصلاح جوی و بالای اتمسفر (TOA) در پنج کلاس پوشش زمین برای سال 2017.
Ijgi 09 00277 g004 550
شکل 4. امضاهای طیفی Sentinel-2 از پنج اصلاح جوی و TOA در پنج کلاس پوشش زمین برای سال 2018.
Ijgi 09 00277 g005 550
شکل 5. دقت طبقه بندی بر اساس تصحیح اتمسفر و تاریخ با شاخص های رادیومتری.
Ijgi 09 00277 g006 550
شکل 6. دقت طبقه بندی بر اساس تصحیح اتمسفر و تاریخ بدون شاخص های پوشش گیاهی.
Ijgi 09 00277 g007 550
شکل 7. باکس پلات دقت طبقه بندی متعادل طبقات پوشش زمین بدون شاخص های رادیومتری برای اصلاحات جوی ترکیبی برای دوازده تاریخ.
Ijgi 09 00277 g008 550
شکل 8. باکس پلات دقت طبقه بندی متعادل طبقات پوشش زمین با شاخص های رادیومتری برای اصلاحات جوی ترکیبی برای دوازده تاریخ.
Ijgi 09 00277 g009 550
شکل 9. نقشه های طبقه بندی برای 12 ژوئن 2018 برای چهار تکنیک طبقه بندی و شش تصحیح جوی.
Ijgi 09 00277 g010 550
شکل 10. میانگین زمان پردازش برای تمام دوازده تاریخ برای روش طبقه‌بندی SVM، RF، XGB و CB با و بدون شاخص‌های پوشش گیاهی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید