پوشش زمین برای مطالعات تغییرات جهانی مهم است و صحت و قابلیت اطمینان آن معمولاً با نمونه برداری میدانی تأیید می شود که هزینه زیادی دارد. روشی برای تأیید مجموعه داده‌های پوشش زمین با تصاویر صحنه طبیعی با برچسب جغرافیایی با استفاده از یک شبکه عصبی کانولوشن پیشنهاد شد. تصاویر صحنه طبیعت ابتدا از بررسی قاب کاربری زمین و منطقه پوشش (LUCAS) و پلتفرم تصاویر جمع سپاری جهانی فلیکر جمع آوری شد، سپس بر اساس سیستم طبقه بندی پوشش زمین طبقه بندی شد. سپس مدل طبقه بندی تصاویر صحنه طبیعت (NSIC) بر اساس شبکه آغازین GoogLeNet برای تشخیص تصاویر صحنه طبیعی ساخته شد. در نهایت، در انگلستان، به عنوان یک منطقه تأیید، مجموعه داده‌های پوشش زمین ابتکار تغییر آب و هوای آژانس فضایی اروپا (ESA CCI-LC) و محصول جهانی پوشش زمین با سیستم طبقه‌بندی خوب (GLC-FCS) با استفاده از مدل NSIC-Inception با مجموعه تصویر صحنه طبیعت تأیید شد. نتایج تأیید نشان داد که دقت کلی تأیید شده توسط LUCAS بسیار نزدیک به دقت محصول پوشش زمین بود که 94.41 درصد از CCI LC و 92.89 درصد از GLC-FCS بود، که امکان استفاده از تصاویر برچسب‌گذاری شده جغرافیایی طبقه‌بندی شده را نشان می‌دهد. مدل NSIC علاوه بر این، VGG16 و ResNet50 با GoogLeNet Inception مقایسه شدند. تفاوت در تأیید بین تصاویر LUCAS و Flickr در مورد کمیت تصویر، توزیع فضایی، بازنمایی و غیره مورد بحث قرار گرفت. عدم قطعیت های تأیید ناشی از تفاوت در وضوح فضایی مجموعه داده های مختلف توسط CCI LC و GCL-FCS مورد بررسی قرار گرفت. کاربرد این روش پتانسیل بالایی برای پشتیبانی و بهبود کارایی تأیید پوشش زمین دارد.

کلید واژه ها:

تایید پوشش زمین ; NSIC (طبقه‌بندی تصاویر صحنه طبیعی) – مدل اولیه CCI LC (Climate Change Initiative Land Cover) ; تصاویر صحنه طبیعی با برچسب جغرافیایی ; GLC-FCS (محصول جهانی پوشش زمین با سیستم طبقه بندی خوب)

1. مقدمه

مجموعه داده‌های پوشش زمین در مقیاس جهانی برای تحقیقات جغرافیایی مختلف، از جمله مدیریت منابع طبیعی [ 1 ]، پایش محیطی [ 2 ]، برنامه‌ریزی شهری و توسعه پایدار [ 3 ]، مدل‌سازی سیستم زمین [ 4 ] و غیره ضروری هستند. با این حال، دقت مجموعه داده‌های پوشش زمین و کاربری اراضی به دلیل روش‌های متفاوتی که در تولید آن‌ها استفاده می‌شود، بسیار متفاوت است. بنابراین، ارزیابی دقت طبقه بندی با وضوح بالا جهانی و منطقه ای محصولات پوشش زمین به موضوع تحقیقاتی داغ تبدیل شده است.
در ابتدا، داده‌های پوشش زمین از طریق تفسیر بصری، روشی که تصاویر سنجش از دور یا اطلاعات بررسی میدانی را با نقشه‌های پوشش زمین مقایسه می‌کرد تا صحت تأیید را به دست آورد، تأیید شد [ 5 ]. در داده‌های پیمایش میدانی، اطلاعات بیشتری را می‌توان در تصاویر نسبت به متن و برچسب‌ها منتقل کرد، بنابراین عکس‌های میدانی با برچسب جغرافیایی به داده‌های راستی‌آزمایی ثانویه بسیار مورد استفاده در تمرین‌های اعتبارسنجی پوشش زمین تبدیل شده‌اند.
بسیاری از مؤسسات و سازمان‌ها در مجموعه‌ای از عکس‌های میدانی از پوشش اراضی منطقه‌ای با هزینه‌های انسانی و اقتصادی قابل توجهی برای حمایت از طبقه‌بندی و تأیید نقشه‌های پوشش زمین، از دو منبع اصلی سرمایه‌گذاری کرده‌اند. از یک طرف، مجموعه عکس‌های میدانی جغرافیایی سازمان‌دهی شده توسط آژانس‌های بررسی رسمی، مانند سازمان زمین‌شناسی ایالات متحده برای پروژه روندهای پوشش زمین [ 6 ]، و بررسی چارچوب کاربری و منطقه پوششی که توسط آژانس فضایی اروپا انجام شد، وجود داشت. در منطقه اروپا [ 7 ، 8 ]. از سوی دیگر، عکس‌های جمع‌سپاری [ 8 ، 9 ] از جمله فلیکر ( https://www.flickr.com/ ) وجود داشت.(دسترسی در 28 مه 2022)) و پروژه Geo-Wiki ( https://www.geo-wiki.org/ (دسترسی در 28 مه 2022)) و غیره. این تصاویر میدانی دارای برچسب جغرافیایی برای کمک به طبقه‌بندی و اعتبارسنجی نقشه‌های پوشش زمین به دست آمده از تجزیه و تحلیل تصاویر هوایی یا ماهواره‌ای استفاده شده‌اند [ 10 ، 11 ].
از آنجایی که تصاویر جمع‌سپاری جمع‌آوری آسانی را ارائه می‌دهند، پتانسیل بالایی دارند، به‌ویژه برای نقشه‌برداری و اعتبارسنجی پوشش زمین. بسیاری از مطالعات تلاش کردند تا کارایی تشخیص تصویر را بهبود بخشند و با رشد انفجاری آرشیوهای تصاویر جمع‌سپاری برای طبقه‌بندی سازگار شوند. محققان ویژگی های تصویر را با استفاده از مدل هایی مانند مدل های SVM [ 12 ] و ساده Bayes [ 13 ] استخراج کرده اند.]، برای شناسایی خودکار دسته های تصویر. در سال‌های اخیر، شبکه عصبی کانولوشن به یکی از امیدوارکننده‌ترین الگوریتم‌ها در زمینه تشخیص تصویر تبدیل شده است که عملکرد عالی در کارهای پردازش تصویر در مقیاس بزرگ دارد. بسیاری از مدل‌های شبکه عصبی کانولوشنال با عملکرد عالی از چالش تشخیص بصری در مقیاس بزرگ (ILSVRC) پدید آمدند، مانند AlexNet [ 14 ]، GoogleNet [ 15 ، 16 ]، VGG16 [ 17 ]، ResNet [ 18 ]، و غیره. برخی تحقیقات از یک مدل CNN برای استخراج ویژگی‌ها از تصاویر صحنه‌های طبیعی زمین، که منجر به بهبود دقت و سرعت تشخیص تصویر می‌شود [ 10 ، 19 ].
اخیراً، برخی مطالعات برای تأیید و تولید داده‌های پوشش زمین با استفاده از تصاویر صحنه طبیعت با برچسب جغرافیایی [ 13 ، 20 ، 21 ] انباشته شده‌اند. سیتی از یک طبقه‌بندی کننده ساده بیزی برای طبقه‌بندی مجموعه‌ای از تصاویر فلیکر و تهیه نقشه‌ای از پوشش زمین ساپورو، ژاپن، با پنج دسته: زمین‌های کشاورزی، جنگل، بدنه‌های آبی، علفزار و مناطق شهری استفاده کرد [ 13 ]. اوبا از CNN برای استخراج ویژگی‌های سطح بالا از تصاویر برای نقشه‌برداری از کاربری زمین پردیس دانشگاه استنفورد استفاده کرد که به هشت دسته شامل ساختمان‌های تحقیقاتی، اقامتگاه‌ها، بیمارستان‌ها و پارک‌ها تقسیم می‌شد [ 20 ].]. زینگ از VGG16 آموزش دیده برای یادگیری ویژگی های تصویر فلیکر برای شناسایی تصاویر در سه دسته، یعنی پوشش گیاهی، سطوح مصنوعی، و آب استفاده کرد و به دقت 76.01 درصد دست یافت و نقشه پوشش زمینی Globeland30 2010 را تأیید کرد [ 11 ].
نتایج به‌دست‌آمده از این مطالعات تأیید می‌کند که بین تصاویر منظره طبیعت برچسب‌گذاری شده جغرافیایی به عنوان حقیقت زمین و داده‌های پوشش زمین مطابقت وجود دارد. با این حال، مطالعات کمی از تصاویر برچسب‌گذاری‌شده جغرافیایی به‌عنوان حقیقت زمین برای تأیید محصولات پوشش زمین موجود استفاده کردند و پتانسیل تصاویر جمع‌سپاری شده را به‌عنوان داده‌های مرجع برای تأیید پوشش زمین، به‌ویژه کل فرآیند اعتبارسنجی، بررسی کردند. در حال حاضر امکان وجود تصاویر از منابع مختلف (مانند Flickr و LUCAS) در راستی‌آزمایی پوشش زمین مشخص نیست و مقیاس مناسب در تأیید هنوز بررسی نشده است.
بر این اساس، این مطالعه استفاده از شبکه عصبی کانولوشن را برای طبقه‌بندی تصاویر صحنه طبیعت با برچسب جغرافیایی برای تأیید داده‌های پوشش زمین پیشنهاد کرد.
اهداف خاص این مقاله عبارتند از:
(1)
یک معیار طبقه‌بندی پوشش زمین را بر اساس مرحله اول سیستم طبقه‌بندی پوشش زمین (LCCS) FAO/UNEP پیشنهاد دهید که به اندازه کافی انعطاف‌پذیر باشد تا منابع داده، مناطق و مقیاس‌های مختلف را در خود جای دهد، که هم برای تصاویر و هم نقشه‌های LULC اعمال می‌شود و هم ارتباط طبیعی دارد. صحنه های ارائه شده در تصاویر با انواع پوشش زمین.
(2)
مجموعه آموزشی تصاویر صحنه طبیعت از پوشش زمین سازگار با تصاویر جمع سپاری و تصاویر نظرسنجی حرفه ای و آموزش یک مدل تشخیص خودکار تصاویر پوشش زمین با قابلیت تعمیم قوی بر اساس یادگیری انتقال برای دستیابی به طبقه بندی خودکار تصاویر صحنه طبیعی.
(3)
تفاوت در راستی‌آزمایی پوشش زمین بین تصاویر جمع‌سپاری شده از Flickr و LUCAS، و تفاوت‌های تأیید با استفاده از تصاویر جمع‌سپاری شده بین CCI LC و GLC-FCS، در بریتانیا به‌عنوان منطقه راستی‌آزمایی را مقایسه کنید.

2. مواد و روشها

2.1. بررسی اجمالی

تأیید مجموعه داده‌های پوشش زمین با تصاویر صحنه طبیعی با برچسب جغرافیایی با استفاده از مدل پیاده‌سازی شده در چهار بخش اصلی، همانطور که در شکل 1 نشان داده شده است، انجام شد.. در مرحله اول، تصاویر فلیکر و تصاویر LUCAS با اطلاعات EXIF، مانند برچسب‌گذاری‌های جغرافیایی و مهر زمانی، جمع‌آوری شدند تا “حقیقت زمینی” را منعکس کنند تا مجموعه داده‌های تصویر صحنه طبیعی را ایجاد کنند. مجموعه داده پوشش زمین CCI LC و GCL-FCS برای تأیید جمع‌آوری شد. وسعت انگلستان برای استخراج پوشش زمین منطقه راستی آزمایی جمع آوری شد. سپس، بخشی از مجموعه داده تصاویر صحنه طبیعی توزیع شده در سراسر جهان به صورت دستی برای آموزش، اعتبار سنجی و آزمایش مدل طبقه بندی تصاویر صحنه طبیعی (NSIC) حاشیه نویسی شد. مدل NSIC بر اساس شبکه آغازین GoogLeNet ساخته و برای دقت و یادآوری مورد ارزیابی قرار گرفت. ثالثاً، قسمت دیگر تصاویر برای تأیید داده‌های پوشش زمین CCI-LC و GCL-FCS توسط زمان‌بندی و برچسب‌گذاری جغرافیایی فیلتر شدند. تصاویر در انگلستان در مدل NSIC برای بدست آوردن دسته تصاویر وارد شدند. نوع پوشش زمین در تصاویر دارای برچسب جغرافیایی از CCI LC و GCL-FCS استخراج شد. ماتریس سردرگمی با توجه به دسته بندی تصویر و نوع پوشش زمین در همان برچسب جغرافیایی برای تأیید نقشه پوشش زمین ساخته شد. در نهایت، چهار معیار شامل دقت کلی، صحت محصول، دقت کاربر و کاپا برای ارزیابی داده‌های پوشش زمین استفاده شد. به منظور بررسی بیشتر جهانی بودن و بهبود قابلیت اطمینان، تفاوت‌ها در وضوح فضایی پوشش زمین و منابع مختلف تصویر صحنه طبیعی بیشتر مورد بررسی قرار گرفت. ماتریس سردرگمی با توجه به دسته بندی تصویر و نوع پوشش زمین در همان برچسب جغرافیایی برای تأیید نقشه پوشش زمین ساخته شد. در نهایت، چهار معیار شامل دقت کلی، صحت محصول، دقت کاربر و کاپا برای ارزیابی داده‌های پوشش زمین استفاده شد. به منظور بررسی بیشتر جهانی بودن و بهبود قابلیت اطمینان، تفاوت‌ها در وضوح فضایی پوشش زمین و منابع مختلف تصویر صحنه طبیعی بیشتر مورد بررسی قرار گرفت. ماتریس سردرگمی با توجه به دسته بندی تصویر و نوع پوشش زمین در همان برچسب جغرافیایی برای تأیید نقشه پوشش زمین ساخته شد. در نهایت، چهار معیار شامل دقت کلی، صحت محصول، دقت کاربر و کاپا برای ارزیابی داده‌های پوشش زمین استفاده شد. به منظور بررسی بیشتر جهانی بودن و بهبود قابلیت اطمینان، تفاوت‌ها در وضوح فضایی پوشش زمین و منابع مختلف تصویر صحنه طبیعی بیشتر مورد بررسی قرار گرفت.

2.2. مجموعه داده ها و منطقه تأیید

دو مجموعه داده و یک منطقه تأیید برای تکمیل توسعه روش و نشان دادن قابلیت اطمینان آن استفاده شد.
مجموعه داده‌های تصاویر صحنه طبیعی از سال 2012 تا 2017 در سراسر جهان توزیع شد، در مجموع 22023 تصویر، همانطور که در شکل 2 الف نشان داده شده است. همانطور که در شکل 2 ب نشان داده شده است، انگلستان به عنوان منطقه تأیید پوشش زمین با توجه به توزیع فضایی مجموعه تصاویر انتخاب شد . نقشه پوشش زمین (LC) پروژه ابتکار تغییرات آب و هوایی آژانس فضایی اروپا (LC CCI) و محصول جهانی پوشش زمین با سیستم طبقه بندی دقیق (GLC-FCS) در بریتانیا با تصاویر صحنه طبیعی با برچسب جغرافیایی تأیید شد [ 22 ، 23 ].

2.2.1. مجموعه داده های تصویر صحنه طبیعی

مجموعه داده های تصاویر صحنه طبیعی این مطالعه دارای دو منبع است، یکی از فلیکر ( https://www.flickr.com/ (دسترسی در 28 مه 2019)) تصاویر جمع آوری شده ( شکل 3 a) و دیگری از Flickr بررسی چارچوب کاربری و منطقه تحت پوشش (LUCAS، https://ec.europa.eu/eurostat/web/lucas/data (دسترسی در 19 اکتبر 2021)) که به طور منظم توسط EUROSTAT انجام می شود ( شکل 3)ب). هر دو مجموعه تصویر حاوی انبوهی از اطلاعات فراداده هستند. از این رو، تجزیه اطلاعات EXIF ​​تصویر، عنوان اطلاعات، برچسب ها، زمان تاریخ تصاویر به دست آمده (مهر زمانی) و آپلود، مکان های GPS (برچسب جغرافیایی) و غیره را می توان به دست آورد. با این حال، تصاویر این دو منبع دارای توزیع فضایی، زوایای دوربین و غیره متفاوتی هستند. مقایسه تفاوت بین این دو منبع در تأیید پوشش زمین می‌تواند ارزیابی بیشتری از تصاویر حاصل از جمع‌سپاری در پوشش زمین ارائه دهد.
مجموعه داده های تصویر صحنه طبیعی توسط داوطلبانی با پس زمینه جغرافیایی پاکسازی شد و تصاویری که “حقیقت زمینی” را منعکس می کردند، حفظ شدند. در مجموع 22023 تصویر وجود دارد. بر این اساس مجموعه تصویر برای یادگیری عمیق مدل و تایید پوشش زمین به دو قسمت تقسیم شد.
یک قسمت از تصاویر به‌جز در بریتانیا (منطقه تأیید پوشش زمین) برای آموزش، اعتبار سنجی و آزمایش مدل طبقه‌بندی تصاویر صحنه طبیعی به صورت دستی حاشیه‌نویسی شد. در مجموع، 9144 تصویر از سرتاسر جهان، با 5933 ترکیب فلیکر و 3211 LUCAS گنجانده شده است، که این اطمینان را می دهد که مدل دارای قابلیت تعمیم قوی به تصاویر از منابع مختلف است. با توجه به توزیع یکسان دسته‌های آنها، تصاویر به ترتیب به عنوان مجموعه داده‌های آموزشی، اعتبارسنجی و آزمایشی برای مدل طبقه‌بندی تصاویر صحنه طبیعی، به ترتیب، همانطور که در جدول 1 نشان داده شده است، به 8:1:1 تقسیم شدند .
مجموعه آموزشی دارای 7314 نمونه، مجموعه اعتبار سنجی دارای 915 نمونه و مجموعه تست دارای 915 نمونه است. تعداد A1، B15، B16 و B2 5006، 2054، 645 و 1439 است. بیشترین نمونه A1 و کمترین نمونه B16 وجود دارد. همانطور که در جدول 1 نشان داده شده است، نمونه های هر دسته بر اساس 8:1:1 به مجموعه های آموزشی، اعتبار سنجی و تست تقسیم می شوند .
قسمت دیگر تصاویر بر اساس زمان بندی و برچسب گذاری جغرافیایی فیلتر شده است که در سال های 2015 و 2017 در انگلستان بوده است ( شکل 4 ) و در مجموع 12879 تصویر می باشد. 12879 تصویر توسط مدل پیشنهادی در این مقاله حاشیه نویسی شد، سپس به عنوان مجموعه داده مرجع تأیید صحت پوشش زمین تعیین شد. تصاویر فلیکر و LUCAS برای تجزیه و تحلیل تأثیر منابع تصویری مختلف بر تأیید پوشش زمین در بخش 3.3 مقایسه شدند و توزیع فضایی دو مجموعه تصویر در شکل 4 نشان داده شده است .
2.2.2. مجموعه داده های پوشش زمین
دو مجموعه داده پوشش زمین برای تأیید با مجموعه داده های تصویر صحنه طبیعی با برچسب جغرافیایی استفاده شد. گزارش‌های کیفیت محصول مجموعه داده‌های پوشش زمین با نتایج تأیید با استفاده از تصاویر صحنه طبیعی برچسب‌گذاری‌شده جغرافیایی در بریتانیا برای ارزیابی قابلیت اطمینان این روش مقایسه شد.
داده‌های سری داده‌های نقشه پوشش زمین (LC) پروژه ابتکار تغییر آب و هوا آژانس فضایی اروپا شامل نقشه‌های جهانی پوشش زمین از سال 1992 تا 2020 با وضوح فضایی 300 متر است که از سیستم طبقه‌بندی پوشش زمین FAO/UNEP (LCCS) استفاده می‌کند. ) [ 24] برای تعریف انواع پوشش زمین. از نظر در دسترس بودن زمانی، ممکن بود با زمان بندی مجموعه تصویر فلیکر و مجموعه تصویر LUCAS که برای تأیید پوشش زمین استفاده می شود، همزمان شود. تصاویر فلیکر واقع در بریتانیا برای کل سال 2017 برای راستی‌آزمایی داده‌های LC CCI 2017 و تصاویر متمرکز بریتانیا در سال 2015 برای تأیید داده‌های LC CCI 2015 استفاده شدند. طبق گزارش‌های کیفیت محصول، دقت طبقه‌بندی کلی LC CCI برای سال‌های 2015 و 2017 93.39% و 95.27% بود [ 22 ].
محصول جهانی پوشش زمین با سیستم طبقه‌بندی دقیق (GLC-FCS) در 30 متر با ترکیب سری‌های زمانی تصاویر Landsat و داده‌های آموزشی با کیفیت بالا از GSPECLIb (کتابخانه جهانی طیف زمانی مکانی) در پلت‌فرم محاسباتی Google Earth Engine تولید شد. که جزئیات فضایی بیشتر و تنوع بیشتری از انواع پوشش زمین را نسبت به CCI_LC-2015 فراهم می کند. نتایج تأیید صحت کلی 4/71 درصد و ضریب کاپا 686/0 را برای سیستم سطح 1 LCCS (16 نوع پوشش زمین LCCS) نشان داد [ 23 ]. سازگاری فضایی GLC_FCS30-2015 و CCI_LC-2015 بالا بود زیرا آنها سیستم طبقه بندی یکسانی داشتند.
2.2.3. منطقه تأیید
همانطور که در شکل 2 ب نشان داده شده است، انگلستان به عنوان منطقه تأیید برای پوشش زمین با توجه به توزیع فضایی مجموعه تصاویر انتخاب شد .
سطح پایینی از تنوع چشم‌انداز در بسیاری از مناطق بریتانیا وجود دارد، به‌ویژه در شمال اسکاتلند که عمدتاً علفزار یا زمین‌های کشاورزی پوشش اصلی زمین است، در حالی که جنوب انگلستان پرجمعیت است، با سطح مصنوعی بیشتر و سطح بالایی از تنوع چشم‌انداز [ 25 ]. ]. انبوهی از تصاویر صحنه طبیعی با برچسب جغرافیایی وجود دارد که عمدتاً شامل انواع پوشش زمین است و “حقیقت زمین” را منعکس می کند و شرایط را برای تأیید با تصاویر صحنه طبیعی دارای برچسب جغرافیایی برآورده می کند.

2.3. طبقه بندی عکس ها با استفاده از مدل CNN

2.3.1. طبقه بندی تعریف پوشش زمین و تصاویر صحنه طبیعی

راستی‌آزمایی داده‌های پوشش زمین با استفاده از تصاویر صحنه طبیعی باید از یک استاندارد طبقه‌بندی یکنواخت بین انواع پوشش زمین و کلاس‌های تصویر پیروی کند. یانگ روش‌های اصلی طبقه‌بندی پوشش زمین را در مقیاس‌های مختلف بررسی و مقایسه کرد و پیشنهاد کرد که سیستم طبقه‌بندی پوشش زمین (LCCS) ایجاد شده توسط سازمان غذا و کشاورزی سازمان ملل متحد امیدوارکننده‌ترین استاندارد طبقه‌بندی پوشش و کاربری زمین با پتانسیل روش های مختلف طبقه بندی را هماهنگ می کند [ 26 ]. FAO-LCCS با اکثر روش های طبقه بندی پوشش زمین و کاربری اراضی سازگار است و تأثیر زیادی بر طبقه بندی پوشش زمین در سراسر جهان دارد. به دو مرحله اصلی تقسیم می شود. مرحله اول یک مرحله دوگانه است که در آن هشت نوع پوشش اصلی زمین تعریف می شود.جدول 2 ). مرحله دوم یک مرحله طبقه بندی مدولار است که در آن طبقه بندی بیشتر با آزمایش معیارهای طبقه بندی از پیش تعریف شده (مثلاً نوع محصول، فصل گیاه و غیره) بر اساس مرحله اول انجام می شود.
افسانه اکثر نقشه های پوشش زمین بر اساس تقسیم دو مرحله ای LCCS است و معمولا بیش از 20 نوع پوشش و کاربری زمین وجود دارد. با این حال، مجموعه داده‌های تصویر صحنه طبیعی نمی‌توانند از تعیین ویژگی‌های پوشش گیاهی مانند نوع محصول پشتیبانی کنند، بنابراین طبقه‌بندی و تشخیص تصاویر مزرعه در اولین مرحله ترسیم به دست می‌آید. ترکیبی از توزیع کمیت دسته‌بندی تصاویر که عمدتاً شامل پوشش گیاهی، چشم‌انداز شهری، کویر، رودخانه‌ها، دریاچه‌ها می‌شود. و دریاها و غیره، چهار دسته به‌عنوان موارد اعتبارسنجی LC CCI ساخته شده‌اند، از جمله: منطقه پوشش گیاهی زمینی (A1)، سطح مصنوعی (B15)، منطقه برهنه (B16)، و منطقه آبی یا به طور منظم سیل‌زده (B2). دسته بندی LCCS به عنوان معیار طبقه بندی تصاویر و پوشش زمین پشتیبانی می شود.
2.3.2. مدل طبقه بندی تصاویر صحنه طبیعی
بر اساس تعریف دسته بندی در بخش 2.3.1 ، مدل تشخیص خودکار برای تصاویر صحنه طبیعی ساخته و آموزش داده شد. این مدل از GoogLeNet Inception V3 [ 16 ] به عنوان مدل پایه، یعنی مدل طبقه‌بندی تصاویر صحنه طبیعی (NSIC-Inception) استفاده کرد، آخرین لایه کاملاً متصل مدل پایه را حذف کرد و یک لایه ترکیبی حداکثر و دو لایه کاملاً متصل را اضافه کرد. تابع فعال سازی لایه آخر روی softmax تنظیم شد. ساختار کلی مدل در شکل 5 نشان داده شده است . مدل NSIC-Inception متشکل از لایه‌های کانولوشن، لایه‌های ادغام، ماژول‌های Inception، لایه‌های کاملاً متصل و یک لایه softmax به نوبه خود است.
ماژول Inception با چیدمان لایه های کانولوشنال و ادغام بر اساس یک ساختار خاص شکل می گیرد ( شکل 4). ساختار ماژول آغازین). این شامل چهار شاخه است: شاخه اول پیچیدگی 1×1 را انجام می دهد که می تواند اطلاعات را در کانال ها سازماندهی کند و بیان مدل را افزایش دهد. شاخه دوم دوبار استخراج ویژگی را روی ویژگی های ورودی با استفاده از دو لایه کانولوشن، 1×1 و 3×3 انجام می دهد. شاخه سوم ویژگی های ورودی را دو بار با استفاده از انحراف 1 × 1 و 5 × 5 پردازش می کند و شاخه چهارم انحراف 1 × 1 را پس از 3 × 3 حداکثر ادغام انجام می دهد. این چهار شاخه را می توان به صورت موازی پردازش کرد. در نهایت کانال های ورودی هر شاخه با هم ادغام می شوند. ماژول اولیه از سه اندازه مختلف هسته کانولوشن، 5 × 5، 3 × 3، 1 × 1، و 3 × 3 هسته های ادغام حداکثر برای طراحی ساختار شبکه پراکنده استفاده می کند که نه تنها کارایی پردازش را بهبود می بخشد.

در آموزش مدل، تصاویر صحنه طبیعی ورودی توسط چندین لایه کانولوشن و لایه های ادغام و همچنین استخراج ویژگی های چند مقیاسی توسط ماژول های Inception برای بدست آوردن نقشه ویژگی پردازش می شوند. سپس برای نگاشت ویژگی به لایه کاملا متصل منتقل می شوند و در نهایت بردار ویژگی به softmax ارسال می شود تا احتمال طبقه بندی محاسبه شود. یادگیری انتقال بر اساس وزن های ImageNet برای انتقال ویژگی ها و پارامترها برای دستیابی به تناسب مدل بهتر در مجموعه داده های کوچکتر تصاویر صحنه طبیعی استفاده می شود. خطای بین برچسب واقعی و برچسب پیش بینی شده با استفاده از تلفات آنتروپی متقاطع محاسبه می شود و برای محاسبه خطای مربوطه برای هر لایه، خطا لایه به لایه برگردانده می شود و وزن شبکه در یک چرخه پیوسته تنظیم می شود.

Lج=1متر∑من=1n∑ک=1کyمنکورود به سیستمy˜من،

که در آن m تعداد نمونه‌های شرکت‌کننده در آموزش را نشان می‌دهد و y و ỹ به ترتیب برچسب‌های واقعی و پیش‌بینی‌شده بردار یک داغ هستند.

در مجموع 9144 تصویر از Flickr و LUCAS برای ساخت مجموعه داده مدل استفاده شد و مجموعه آموزشی، مجموعه اعتبار سنجی و مجموعه تست بر اساس نسبت 8:1:1 تقسیم شدند. روش تنظیم دستی برای تعیین فراپارامترهای CNN انتخاب شد. ImageNet وزن‌ها را به‌عنوان وزن‌های اولیه برای شبکه CNN، اندازه دسته روی 32 و نرخ یادگیری روی 0.01 تنظیم شد. اندازه تصاویر به 299 × 299 برای تناسب با اندازه ورودی مدل InceptionV3 تغییر داده شد و الگوریتم پس انتشار در فرآیند بهینه سازی وزن با استفاده از شیب نزولی دسته ای استفاده شد. یک تابع پایان زودهنگام برای پایان دادن به آموزش تنظیم شده بود که دقت در دو دوره بهبود نیابد. از دست دادن آنتروپی متقابل و دقت برای نظارت بر فرآیند آموزش مدل استفاده شد.
برای حفظ تصاویر قابل اعتماد برای تأیید مجموعه داده‌های پوشش زمین، تصاویر قبل از استفاده برای تأیید داده‌های پوشش زمین بر اساس احتمال طبقه‌بندی تصویر فیلتر شدند. آستانه احتمال برای طبقه بندی مدل 0.9 تعیین شد. آستانه بالاتر نتایج را قابل اعتماد تر می کند، اما این امر باعث کاهش تعداد نتایج معتبر می شود. بنابراین، آستانه 0.9 در نظر گرفته شد [ 11 ].

2.4. تأیید نقشه های پوشش زمین با تصاویر صحنه طبیعی

در این مقاله، نوع پوشش زمین داده‌های LC-CCI ابتدا با استفاده از روش نمونه‌گیری پیش‌نمونه‌ای مبتنی بر برچسب‌های جغرافیایی عکس‌های صحنه طبیعی استخراج شد و سپس توسط دسته‌های عکس صحنه طبیعی با استفاده از داده‌های مرجع به عنوان «حقیقت زمین» تأیید شد. ، ایجاد یک ماتریس سردرگمی [ 27 ، 28 ].

روش پیش نمونه برداری بر اساس مکان تصویر راحت ترین روش نمونه گیری برای اعتبار سنجی نقشه های پوشش زمین با استفاده از تصاویر دارای برچسب جغرافیایی است و می تواند برای اعتبارسنجی داده های پوشش زمین به طور مستقیم توسط یک ماتریس سردرگمی استفاده شود. ماتریس سردرگمی یک ماتریس آماری است که تعداد داده های پوشش زمین سازگار و ناسازگار و “حقیقت زمین” (تصاویر صحنه طبیعی با برچسب جغرافیایی) را شمارش و خلاصه می کند و سپس آنها را بر اساس دسته بندی تقسیم می کند (همانطور که در جدول 2 نشان داده شده است ). هر ردیف از ماتریس سردرگمی تعداد نمونه‌ها را در نوع نقشه پوشش زمین نشان می‌دهد و هر ستون تعداد نمونه‌های آن دسته از «حقیقت زمین» را نشان می‌دهد. معیارهای ماتریس سردرگمی برای بیان نتایج تأیید از جمله دقت کلی، دقت کاربر، دقت محصول و ضریب کاپا استفاده شد [27 ، 29 ]. دقت کلی این احتمال را نشان می دهد که نتیجه طبقه بندی برای هر نمونه تصادفی پوشش زمین با نوع تصویر میدان مطابقت دارد. دقت محصول هر دسته، میزان سازگاری دسته پوشش زمین با حقیقت زمین است. دقت کاربر میزان سازگاری نوع تصویر میدان با نوع پوشش زمین است. ضریب کاپا یک توصیف کمی از توافق بین داده‌های پوشش زمین مورد ارزیابی و تصاویر مرجع است. ماتریس سردرگمی مانند جدول 3 و فرمول به شرح زیر است.

OA=∑من=1nایکسiiن
PA=ایکسiiایکس+من
UA=ایکسiiایکسمن+
کاپا=ن∑من=1nایکسii-∑من=1n(ایکسمن+ایکس+من)ن2-∑من=1nایکسمن+ایکس+من

که در آن n نشان‌دهنده تعداد کل کلاس‌های ویژگی داده‌های پوشش زمین در ارزیابی است. ایکسiiبه مقادیر روی مورب اصلی ماتریس سردرگمی اشاره دارد. ایکسمن+و ایکس+منتعداد کل نمونه ها به ترتیب در ردیف i و ستون i هستند. N تعداد کلی نمونه ها در ارزیابی دقت است.

ضریب کاپا مقادیری در محدوده [-1، 1] می گیرد و به طور کلی به عنوان [0.4، 0.6] برای ثبات متوسط، [0.6، 0.8] بسیار سازگار، [0.8، 1] تقریباً کاملاً سازگار است و یک مقدار طبقه بندی می شود. نزدیکتر به 1 به معنای قوام بهتر است.

3. نتایج و بحث

3.1. طبقه بندی تصاویر LUCAS و Flickr

مدل طبقه‌بندی خودکار تصاویر صحنه طبیعی، کلید اصلی این چارچوب است که به طور مستقیم قابلیت اطمینان نتایج تأیید داده‌های پوشش زمین را تعیین می‌کند. از مدل NSIC-Inception برای دقت طبقه‌بندی عکس مجموعه تست استفاده شد و نتایج نشان داد که دقت بالای یک مجموعه آزمایشی 95.48٪ و دقت بالای 3 99.47٪ بود. میزان دقت و فراخوان هر دسته در جدول 4 نشان داده شده است.
دقت A1، B15 و B2 همگی بالای 90 درصد بود که A1 بالاترین میزان دقت 99.80 درصد را داشت. با این حال، دقت B16 کمتر بود، تنها 60.32٪. نرخ فراخوان هر چهار دسته بالای 90 درصد بود، نرخ فراخوان B16 نسبت به سه دسته دیگر کمتر بود و نرخ فراخوان A1، B2 و B15 به ترتیب افزایش یافت.
مدل NSIC-Inception، مدل resnet50 و مدل VGG16 برای یادگیری انتقال یکسان، و دقت مدل و صحت تأیید پوشش زمین هر دو مورد استفاده قرار گرفتند ( جدول 5) مقایسه شدند. تفاوت آشکاری در ساختار سه مدل وجود دارد. مدل NSIC-Inception چندین هسته کانولوشن با اندازه های مختلف را به صورت موازی برای استخراج ویژگی های تصویر تنظیم می کند، در حالی که VGG16 یک ساختار شبکه عمیق معمولی است که از پنج گروه کانولوشن، دو کاملاً متصل و یک لایه طبقه بندی تشکیل شده است. همه لایه‌های کانولوشن از هسته‌های 3×3 استفاده می‌کنند و برای ساخت شبکه از یک رویکرد گسترش عمودی و عمیق‌تر استفاده می‌کنند. مدل Resnet50 برای غلبه بر مشکل یادگیری ناکارآمد و دقت ناکارآمد ناشی از عمیق شدن شبکه با استفاده از یک اتصال میانبر طراحی شده است تا خروجی داده از یکی از لایه‌های قبلی را مستقیماً به قسمت ورودی لایه‌های بعدی با پرش چندین لایه وارد کند. لایه های.
هم دقت مدل و هم مطابقت نتایج طبقه‌بندی تصویر با CCI-LC با پیش‌آموزش NSIC-Inception کمی بیشتر از مدل از پیش آموزش‌دیده‌شده VGG16 و مدل Resnet50 بود. علاوه بر این، توافق تصاویر LUCAS بسیار بیشتر از تصاویر فلیکر بود. این نشان داد که اگرچه مدل طبقه‌بندی تصاویر صحنه طبیعی بر نتایج تأیید داده‌های پوشش زمین تأثیر دارد، تأثیر منابع تصاویر مختلف بر نتایج تأیید بیشتر از مدل طبقه‌بندی تصویر است.
به طور خلاصه، مدل NSIC-Inception ارائه شده در این مطالعه عملکرد بهتری داشت و می‌توانست تصاویر صحنه طبیعی دسته‌های A1، B15 و B2 را با دقت بالا طبقه‌بندی کند تا تأیید نقشه پوشش زمین را برآورده کند. بنابراین، 12879 تصویر صحنه طبیعی مورد استفاده برای تأیید LC-CCI توسط مدل NSIC-Inception طبقه‌بندی شدند و تنها آن‌هایی که اعتماد طبقه‌بندی بیشتر از 0.9 داشتند حفظ شدند. نتایج در جدول 6 نشان داده شده است.
همانطور که از جدول 6 مشاهده می شود ، در مجموع 9997 تصویر صحنه طبیعی با برچسب جغرافیایی با سطح اطمینان بیش از 0.9 طبقه بندی شده است. رده A1 حدود 92.84٪ از مجموعه داده های تصویر LUCAS 2015، 7719 تصویر را تشکیل می دهد. در حالی که تعداد تصاویر B2 در مجموعه تنها 108 بود که تنها 1.30٪ را شامل می شود. از آنجایی که بررسی LUCAS یک نمونه گیری همگن فضایی بود، هر دو ویژگی ناهمواری را نشان دادند که تعداد تصاویر در دسته A1 بسیار بیشتر از تعداد تصاویر در سایر دسته ها بود. در مقابل، تعداد تصاویر توزیع شده در بین دسته‌ها در فلیکر در سال 2017 یکنواخت‌تر بود.

3.2. تایید و تجزیه و تحلیل LC CCI در انگلستان

راستی آزمایی نقشه پوشش زمین ابتدا نیازمند مکان های مکانی نمونه ها است. سپس می توان انواع پوشش اراضی را با «حقیقت زمینی» نقاط نمونه برداری شده بررسی کرد و مقدار و نسبت نمونه ها را با طبقه بندی آنها محاسبه کرد. از روش پیش نمونه‌گیری فضایی بر اساس توزیع فضایی تصویر استفاده شد و نمونه‌ها با همان توزیع فضایی تصاویر برچسب‌گذاری‌شده جغرافیایی چیدمان شدند. تصاویر فلیکر 2017 با برچسب جغرافیایی برای نمونه برداری از LC CCI در سال 2017 و تصاویر LUCAS با برچسب جغرافیایی 2015 برای نمونه برداری از LC CCI در سال 2015 استفاده شد. توزیع کمیت دسته های پوشش زمین در نقاط نمونه نشان داده شده است. در جدول 7 .
درصد بسیار کمی (0.24٪) از منطقه تحت پوشش کلاس B16 در انگلستان منجر به نمونه های کمتری برای B16 در پیش نمونه برداری شد. نشان داده شده است که حجم نمونه کوچک بر قابلیت اطمینان نتایج تأیید تأثیر دارد [ 30 ، 31 ]. در نتیجه، نوع B16 از تأیید مجموعه داده‌های تصویر حذف شد و A1، B15، و B2 برای تجزیه و تحلیل توافق در این مطالعه رزرو شدند. همانطور که در جدول 6 نشان داده شده است ، در مجموع 1683 نمونه LC CCI در سال 2017 و 8314 نمونه LC CCI در سال 2015 وجود داشت.
یک ماتریس سردرگمی با استفاده از جداول محوری ( جدول 6 و جدول 7 ) ساخته شد که در شکل 6 نشان داده شده است. تصاویر صحنه طبیعی به عنوان مرجع زمینی برای قضاوت در مورد درست بودن داده های پوشش زمین نمونه استفاده شد.
دقت کلی، دقت محصول، دقت کاربر و ضریب کاپا تأیید نقشه برای LC CCI به ترتیب در جدول 8 نشان داده شده است. طبقه بندی تصاویر دارای برچسب جغرافیایی هر دو بر اساس مدل NSIC-Inception بود. با این حال، نتایج تأیید به طور گسترده ای بین LUCAS و Flickr متفاوت است.
ضرایب کاپا، با نتیجه تأیید CCI LC با LUCAS و Flickr که به ترتیب 0.57، 0.46 بود، ثبات متوسطی را نشان دادند، اما ضریب کاپا LUCAS 0.11 بیشتر از فلیکر بود.
از نظر دقت کلی نقشه‌های پوشش زمین، دقت کلی نتایج تأیید برای تصاویر LUCAS 30.83٪ بیشتر از تصاویر فلیکر بود. با این حال، تفاوت دقت محصول در تأیید برای هر دسته در مجموعه‌های تصویر LUCAS و Flickr حداقل 20.83٪ کمتر از تفاوت در دقت کلی بود و تأیید سازگاری برای هر دسته در مجموعه داده‌های مختلف رفتار متفاوتی داشت که ممکن است به عوامل مرتبط باشد. مانند اندازه نمونه تصاویر، توزیع مکانی و ناهمگونی فضایی پوشش زمین.

3.3. مقایسه و تحلیل LUCAS در مقابل فلیکر

تفاوت بین LUCAS و Flickr با توجه به کمیت تصاویر، توزیع فضایی، نمایندگی تصاویر و زاویه دوربین مقایسه و تجزیه و تحلیل شد.
به منظور اندازه‌گیری کمی چهار تأثیر، منطقه تأیید توسط شبکه‌هایی به ابعاد 3000×3000 متر تقسیم شد. مقادیر LUCAS و تصویر فلیکر و تعداد انواع پوشش زمین در شبکه شمارش شد. تعداد انواع پوشش زمین بین 1 تا 4 بود، که به معنای 1-4 نوع پوشش زمین (A1، B15، B16، B2) در هر شبکه بود که برای بیان ناهمگونی فضایی پوشش زمین استفاده شد. میانگین دقت تایید در هر شبکه و در هر ناهمگونی فضایی پوشش زمین محاسبه و به صورت نسبت تعداد اجماع تایید شده به تعداد کل تصاویر بیان شد.
(1)
کمیت تصاویر
فلیکر تعداد کل تصاویر بسیار کمتری نسبت به LUCAS داشت. به طور خاص برای تصاویر دسته A1، فلیکر 7180 عکس کمتر از LUCAS داشت، همانطور که در جدول 5 نشان داده شده است. PA LUCAS بالاتر از فلیکر، در 9.06٪ بود. این شکاف حجمی زیاد باعث شد که PA و OA فلیکر کمتر از LUCAS باشد. مشابه رده A1، فلیکر 224 تصویر بیشتر از LUCAS در رده B2 داشت و PA فلیکر بالاتر از LUCAS از 10.0% بود. بنابراین، کمیت تصاویر نقش مهمی در نتایج تایید بازی می کند.
(2)
توزیع فضایی تصاویر
توزیع مکانی نمونه کاملاً با توزیع تصاویر با استفاده از تصاویر برای تأیید تعیین می شود. توزیع فضایی مجموعه‌های تصاویر LUCAS و Flickr مقایسه شد. LUCAS بر اساس قوانین نمونه گیری خاصی عکس می گیرد، در حالی که توزیع فضایی عکس فلیکر تصادفی است. از این رو، این می تواند تأثیر خاصی بر تأیید نقشه های پوشش زمین داشته باشد [ 32 ].
همانطور که در شکل 7 نشان داده شده است ، LUCAS عمدتاً مناطق را در یک یا دو نوع پوشش زمین توزیع می کند که به ترتیب 57% و 37% را شامل می شود. عکس های فلیکر 25% و 45% از انواع یک و دو پوشش زمین را تشکیل می دهند. تصاویر فلیکر بیشتر از تصاویر LUCAS در مناطقی با ناهمگونی فضایی بالاتر پوشش زمین وجود دارد، که ممکن است منجر به ناهماهنگی تأیید بیشتر شود.
علاوه بر این، میانگین دقت راستی‌آزمایی در شبکه ناهمگنی فضایی کم، برای هر دو LUCAS و Flickr، بالاتر از آن در شبکه ناهمگنی فضایی بالا است. با افزایش ناهمگونی فضایی از 1 به 4، میانگین دقت تأیید LUCAS از 0.98 به 0.78 کاهش می یابد و میانگین دقت تأیید فلیکر از 0.70 به 0.46 کاهش می یابد.
می‌توان فرض کرد که سازگاری نتایج راستی‌آزمایی با تنوع پوشش زمین در محل نمونه‌ها مرتبط است و هر چه تصاویر ناهمگن فضایی کمتری در سطح پوشش زمین توزیع شده باشند، اعتبار این مورد قابل اعتمادتر است. روش است. شاید در مناطقی با ناهمگونی فضایی بالای پوشش زمین، تأیید پوشش زمین مستلزم بازنمایی بالاتر تصاویر باشد.
(3)
بازنمایی تصاویر
از لحاظ نظری، چیدمان نقاط نمونه برداری باید با ناهمگونی فضایی پوشش زمین ترکیب شود. مکان هایی با ناهمگونی مکانی بالا به نمونه های بیشتری نیاز دارند، در حالی که مکان هایی با ناهمگنی مکانی پایین به نمونه های کمتری نیاز دارند. به عبارت دیگر، نقاط نمونه باید تا حد امکان معرف باشد. بین تصاویر فلیکر و تصاویر LUCAS از نظر بازنمایی شکافی وجود داشت که می توان آن را از شکل 8 و شکل 9 تأیید کرد .
همانطور که در شکل 8 نشان داده شده است، مقدار LUCAS و تصویر فلیکر در شبکه 3000 × 3000 شمارش شد و سپس بر اساس نقشه انگلستان ترسیم شد . نمودار پراکندگی کمیت تصاویر و دقت متوسط ​​در شبکه‌های مختلف ترسیم شد و تناسب خطی برای آن در بازه‌های اطمینان 0.95، همانطور که در شکل 9 نشان داده شده است، تجزیه و تحلیل شد .
از شکل 8 الف، تصاویر LUCAS تقریباً در کل بریتانیا توزیع شدند و در هر شبکه فقط 1 تا 4 تصویر وجود داشت. با این حال، میانگین سازگاری در شبکه به 93.78% می رسد، همانطور که در شکل 9 الف نشان داده شده است. این نشان می دهد که تصویر LUCAS، به عنوان رکوردی از نوع پوشش زمین، بسیار نماینده است.
از شکل 9ب، تصاویر فلیکر محدوده توزیع محدودی داشتند که بیشتر در لندن، منچستر، یورک و دیگر شهرهای بزرگ انگلستان جمع آوری شده بودند. تعداد تصاویر در شبکه از 0 تا 84 متغیر بود که عمدتاً در تصاویر 0 تا 20 متمرکز بودند، اما ثبات متوسط ​​متناظر نیز در محدوده وسیعی در نوسان بود و مقدار شروع کلی تنها 57.99٪ بود، 35.79٪ کمتر از LUCAS. این نشان می دهد که به عنوان رکوردی از نوع پوشش زمین، تصاویر فلیکر هنوز به اندازه کافی نمایانگر فضایی نیستند. ضریب خط برازش مثبت است و با افزایش کمیت تصاویر، درجه سازگاری افزایش می یابد. به این معنا که، اگرچه تصاویر فلیکر بازنمایی فضایی بسیار معمولی از نوع پوشش زمین را ندارند، افزایش تعداد تصاویر در یک شبکه واحد می‌تواند نتیجه تأیید را افزایش دهد و در نتیجه قابل اعتمادتر باشد.
(4)
زاویه دوربین
تصاویر LUCAS و Flickr به دلیل اهداف مختلف عکسبرداری، عکاسان مختلف و روش های اشتراک گذاری متفاوت، عملکردهای متفاوتی را در یک مورد تأیید پوشش زمین نشان دادند. علاوه بر دلایل فوق که از تحلیل به دست آمد، رفتارهای ذهنی نیز وجود داشت.
برای مثال، گروه تیراندازی LUCAS یک الزام واضح برای یافتن یک زاویه تیراندازی ثابت قبل از تیراندازی داشت. در این تحقیق از تصاویر از منظر مرکزی استفاده شده است. چنین زاویه عکسبرداری محتوای اصلی تصاویر را بیشتر نشان می دهد زیرا با توجه به سطح یا صحنه های طبیعی نزدیک، می تواند “حقیقت زمین” را منعکس کند. با این حال، تصاویر به اشتراک گذاشته شده توسط عموم در فلیکر ممکن است سوابق توریستی یا یادبود صحنه های خاص باشد، مانند ساختمان هایی که به وضوح در چمن ها ایستاده اند و استخرهای گل های زیبا در شهر. مدل NSIC-Inception می تواند به طور دقیق ساختمان ها را به عنوان زمین B15 و استخرهای گل را به عنوان پوشش زمین A1 شناسایی کند. با این حال، مشخص می شود که علفزار و پوشش مصنوعی زمین از انواع پوشش زمین در نقشه تفکیک 300 متری هستند. احتمالا تعداد زیادی از این تصاویر در فلیکر وجود دارد.
بنابراین، تفاوت های ناشی از این عوامل ذهنی نیز بر نتایج تأیید با مجموعه داده پوشش زمین تأثیر می گذارد.

3.4. تأیید CCI LC و GLC-FCS

راستی‌آزمایی GLC-FCS با CCI LC با استفاده از LUCAS مقایسه شد که نتایج قابل اعتمادتری نسبت به Flickr داشت. وضوح فضایی مجموعه داده GLC-FCS با CCI LC متفاوت است و می توان با توجه به تأثیر ناهمگنی فضایی بر روش پیشنهادی بررسی کرد.
نتایج تایید CCI LC و GLC-FCS با استفاده از تصاویر LUCAS مقایسه شد. همانطور که در شکل 10 نشان داده شده است، ماتریس سردرگمی GLC-FCS و تفاوت بین ماتریس سردرگمی GLC FCS و CCI LC ترسیم شد . هنگامی که وضوح فضایی پوشش زمین بهبود یافت، نقاط نمونه پوشش زمین در دسته B15 افزایش یافت و در مقایسه با CCI LC، 71 نمونه تأیید جدید وجود داشت که دسته عکس آنها با دسته پوشش زمین سازگار بود. با این حال، نقاط نمونه B2 و A1 کاهش یافت و نقاط نمونه تأیید رده عکس مطابق با طبقه پوشش زمین نیز به ترتیب 23 و 170 کاهش یافت.
همانطور که در جدول 9 نشان داده شده است ، دقت کلی GLC-FCS کمی کمتر از CCI LC در تأیید بود. لازم به ذکر است که PA از B2 در GLC-FCS بالاتر از CCI LC بود. هر دو PA و UA A1 اندکی افزایش یا کاهش یافته اند که ممکن است به دلیل خطای خود محصول باشد. نقاط نمونه B2 خیلی کم بود، بنابراین در اینجا بیشتر توضیح نمی دهیم.
ما فرض کردیم که تغییر در نتایج راستی‌آزمایی B15 به دلیل ناهمگونی فضایی بیشتر سطوح مصنوعی انواع پوشش زمین، مانند شهرها، پارک‌ها، محله‌ها و غیره است. نقشه‌های پوشش زمین با وضوح بالاتر می‌توانند تصاویر را نزدیک به واحدهای نقشه‌برداری کنند. از پوشش زمین بنابراین، نتایج تأیید PA با توجه به پوشش زمین با وضوح فضایی 300 متر، همانطور که در شکل 11 نشان داده شده است، بهبود یافت .
در پوشش زمین CCI LC، پوشش زمین A1 در نزدیکی نقاط نمونه برداری یافت شد، در حالی که پوشش زمین A1 و B15 در نزدیکی نقاط نمونه برداری در پوشش زمین GLC-FCS یافت شد. با مقایسه پوشش زمین در وضوح بالا و پایین، B15 ناهمگونی فضایی قوی‌تری را نسبت به A1 نشان می‌دهد که انتظار می‌رود. حداقل واحد نقشه برداری پوشش زمین و تصاویر مطابقت ندارند. هنگامی که وضوح مکانی از 300 × 300 به 30 × 30 افزایش یابد، بسیاری از نتایج تأیید نقاط نمونه مثبت خواهد بود، اما نه همه. کلید این روش تطبیق کوچکترین واحد نقشه برداری و تصویر بود.

4. نتیجه گیری

نقشه‌های پوشش زمین مبنای مطالعات و کاربردهای مختلف است و اطمینان از کیفیت نقشه‌ها از طریق راستی‌آزمایی یک گام ضروری است. با این حال، این فرآیند تأیید نیاز به نیروی انسانی و پول زیادی دارد و به ویژه اعتبار سنجی نقشه ها در مقیاس جهانی دشوار است. در این مطالعه، چارچوبی برای بهبود کارایی راستی‌آزمایی نقشه پوشش زمین با استفاده از مدل NSIC-Inception برای شناسایی تصاویر و ارزیابی مستقیم دقت نقشه‌های پوشش زمین با استفاده از روش پیش نمونه‌گیری بر اساس مکان‌یابی تصویر، توسعه داده شد.
نتایج نشان می‌دهد که تصویر LUCAS در تأیید پوشش زمین بسیار بهتر از Flickr عمل می‌کند. از نظر کمیت، توزیع مکانی و بازنمایی در پوشش اراضی تفاوت های زیادی بین آنها وجود دارد. تصاویر LUCAS دارای تعداد زیاد، نمایش قوی در پوشش زمین و توزیع یکنواخت هستند. در مقایسه با تصاویر فلیکر، تصاویر LUCAS توزیع کمتری در مناطقی با ناهمگونی پوشش زمین بالا دارند. برای تأیید پوشش زمین به عنوان یک مجموعه داده مرجع بر اساس تشخیص مدل NSIC-Inception، که ساده تر از Flickr است، بسیار مناسب است. توزیع فضایی فلیکر نسبتاً متمرکز بود، به ویژه برخی از مناظر خاص در محیط سطح که اغلب ثبت و به اشتراک گذاشته می شدند، بنابراین حداقل واحد نقشه برداری تصویر دارای تضاد آشکار با نقشه پوشش زمین است. علاوه بر این، نتیجه تأیید صحت کمتر از محصول پوشش زمین خواهد بود اگر مستقیماً برای تأیید پوشش زمین استفاده شود. به عبارت دیگر، دقت محصولات پوشش زمین دست کم گرفته خواهد شد. با این حال، تجزیه و تحلیل نشان می دهد که وقتی تعداد تصاویر فلیکر افزایش می یابد، نتیجه تأیید آن بهبود می یابد و نتایج را قابل اعتمادتر می کند.
مقایسه بین تفکیک مکانی مختلف داده‌های پوشش زمین نشان داد که حداقل واحد نقشه‌برداری پوشش اراضی و تصاویر با هم مطابقت ندارند. هنگامی که وضوح فضایی از 300 به 30 افزایش می یابد، بسیاری از نتایج تأیید نقاط نمونه در دسته B15 مثبت خواهد بود، اما برعکس برای A1 و B2 صادق است. کلید این روش تطبیق کوچکترین واحد نقشه برداری و تصویر است.
در این مقاله، تنها از سه نوع پوشش زمین برای اعتبارسنجی و بحث در مورد داده‌های پوشش زمین استفاده شد. در آینده، آموزش مدل‌ها در مقوله‌های دقیق‌تر برای انطباق تأیید نقشه‌های پوشش زمین در زمینه‌های بیشتر مورد نیاز خواهد بود و روش‌های طبقه‌بندی دقیق‌تر همچنان می‌تواند به استاندارد طبقه‌بندی LCCS مراجعه کند، که می‌تواند ساخت و استفاده از مجموعه داده های مرجع تصاویر پوشش زمین جهانی را انجام دهد.

منابع

  1. Aneseyee, AB; سورومسا، تی. الیاس، ای. Noszczyk، T. Feyisa، GL ارزیابی خدمات اکوسیستمی تامین آب مرتبط با کاربری/پوشش زمین و تغییرپذیری آب و هوا در حوضه آبخیز Winike، حوضه Omo Gibe از اتیوپی. محیط زیست مدیریت 2022 ، 69 ، 367-383. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. کیائو، آر. دونگ، سی. جی، اس. چانگ، X. اثرات مقیاس فضایی رابطه بین پوشش گیاهی جزئی و دمای سطح زمین در سرزمین شنی Horqin، شمال چین. Sensors 2021 , 21 , 6914. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. Szarek-Iwaniuk، P. داویدویچ، ا. Senetra، A. روش شناسی نقشه برداری دقیق کاربری زمین به سمت توسعه پایدار زمین شهری. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2022 ، 19 ، 3633. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. ما، تی. لی، ایکس. بای، جی. دینگ، اس. ژو، اف. کوی، بی. پویایی چهار دهه ذخیره‌سازی کربن آبی ساحلی ناشی از تغییر کاربری زمین/پوشش زمین تحت فرآیندهای طبیعی و انسانی در دلتای رودخانه زرد، چین. علمی کل محیط. 2019 ، 655 ، 741-750. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. تارکو، ا. تندبازار، ن. دی بروین، اس. برگت، الف. تأثیر در دسترس بودن تصویر و فرآیندهای تغییر بر سازگاری تفاسیر دگرگونی زمین. بین المللی J. Appl. زمین Obs. Geoinf. 2019 ، 86 ، 102005. [ Google Scholar ] [ CrossRef ]
  6. پنگرا، بی. گالانت، آل. زو، ز. Dahal, D. ارزیابی خروجی موضوعی اولیه از الگوریتم تشخیص تغییر پیوسته برای استفاده در نقشه برداری خودکار عملیاتی تغییر زمین توسط سازمان زمین شناسی ایالات متحده. Remote Sens. 2016 , 8 , 811. [ Google Scholar ] [ CrossRef ]
  7. D’Andrimont، R. یوردانوف، م. لموئین، جی. یونگ، جی. نیکل، ک. van der Velde، M. تصاویر سطح خیابان جمع‌سپاری شده به عنوان منبع بالقوه داده‌های درجا برای نظارت بر محصول. Land 2018 , 7 , 127. [ Google Scholar ] [ CrossRef ]
  8. بایاس، JCL; ببینید، L. بارتل، اچ. استورن، تی. کارنر، ام. فراسل، دی. مورثی، آی. بوش، ام. وان درولده، م. Fritz, S. Crowdsourcing LUCAS: شهروندانی که داده های پوشش زمین و کاربری اراضی مرجع را با یک برنامه تلفن همراه تولید می کنند. Land 2020 , 9 , 446. [ Google Scholar ] [ CrossRef ]
  9. فریتز، اس. ببینید، L. مک کالوم، آی. شما، ال. بان، ا. مولچانوا، ای. دوراور، ام. آلبرشت، اف. شیل، سی. پرگر، سی. و همکاران نقشه برداری زمین زراعی و اندازه مزرعه جهانی گلوب. چانگ. Biol. 2015 ، 21 ، 1980-1992. [ Google Scholar ] [ CrossRef ]
  10. خو، جی. زو، ایکس. فو، دی. دونگ، جی. Xiao, X. طبقه‌بندی خودکار پوشش زمین عکس‌های میدانی دارای برچسب جغرافیایی با یادگیری عمیق. محیط زیست مدل. نرم افزار 2017 ، 91 ، 127-134. [ Google Scholar ] [ CrossRef ]
  11. زینگ، اچ. منگ، ی. وانگ، ز. فن، ک. هو، دی. کاوش عکس‌های دارای برچسب جغرافیایی برای اعتبارسنجی پوشش زمین با یادگیری عمیق. ISPRS J. Photogramm. Remote Sens. 2018 , 141 , 237–251. [ Google Scholar ] [ CrossRef ]
  12. نخل.؛ Foody، انتخاب ویژگی GM برای طبقه بندی داده های فراطیفی توسط SVM. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 2297–2307. [ Google Scholar ] [ CrossRef ]
  13. سیتی، ا. ناگای، م. دیلی، ام. نینسوات، اس. کاوش کاربری زمین و پوشش زمین تصاویر دارای برچسب اجتماعی دارای برچسب جغرافیایی با استفاده از طبقه بندی کننده ساده بیز. پایداری 2016 ، 8 ، 921. [ Google Scholar ] [ CrossRef ]
  14. کریژفسکی، آ. سوتسکور، آی. هینتون، GE Imagenet طبقه بندی با شبکه های عصبی کانولوشن عمیق. NIPS 2017 ، 60 ، 84-90. [ Google Scholar ] [ CrossRef ]
  15. آیوف، اس. Szegedy, C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. در مجموعه مقالات کنفرانس بین المللی یادگیری ماشین، لیل، فرانسه، 6 تا 11 ژوئیه 2015؛ جلد 37، ص 448-456. [ Google Scholar ]
  16. سگدی، سی. ونهوک، وی. آیوف، اس. شلنز، جی. Wojna, Z. بازاندیشی در معماری آغازین برای بینایی کامپیوتر. در مجموعه مقالات کنفرانس IEEE 2016 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده آمریکا، 27 تا 30 ژوئن 2016؛ ص 2818-2826. [ Google Scholar ]
  17. سیمونیان، ک. زیسرمن، الف. شبکه های پیچیده بسیار عمیق برای تشخیص تصویر در مقیاس بزرگ. arXiv 2015 ، arXiv:1409.1556. [ Google Scholar ]
  18. او، ک. ژانگ، ایکس. رن، اس. Sun، J. یادگیری باقیمانده عمیق برای تشخیص تصویر. در مجموعه مقالات کنفرانس IEEE 2016 در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لاس وگاس، NV، ایالات متحده آمریکا، 27 تا 30 ژوئن 2016؛ صص 770-778. [ Google Scholar ]
  19. خو، اس. ژانگ، اس. زنگ، جی. لی، تی. گوا، کیو. جین، اس. چارچوبی برای طبقه‌بندی صحنه‌های کاربری زمین بر اساس عکس‌های منظره. Proc. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2020 , 13 , 6124–6141. [ Google Scholar ] [ CrossRef ]
  20. زو، ی. Newsam، S. طبقه‌بندی کاربری زمین با استفاده از شبکه‌های عصبی کانولوشنال اعمال شده در تصاویر سطح زمین. در مجموعه مقالات بیست و سومین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 3-6 نوامبر 2015. صص 1-4. [ Google Scholar ]
  21. اوبا، اچ. هیروتا، م. چبیر، ر. ایشیکاوا، اچ. Yokoyama, S. به سوی طبقه بندی بهتر پوشش زمین با استفاده از عکس های دارای برچسب جغرافیایی. در مجموعه مقالات سمپوزیوم بین المللی IEEE 2014 در چند رسانه ای، واشنگتن، دی سی، ایالات متحده آمریکا، 10-12 دسامبر 2014. صص 320-327. [ Google Scholar ] [ CrossRef ]
  22. دفورنی، پی. کرچس، جی. براکمن، سی. بوچر، ام. پیترز، ام. بونتمپس، اس. لامارچه، سی. شلرف، ام. Santoro, M. Land Cover CCI: نسخه راهنمای کاربر محصول. 2016. در دسترس آنلاین: https://maps.elie.ucl.ac.be/CCI/viewer/download/ESACCI-LC-Ph2-PUGv2_2.0.pdf (در 5 مارس 2016 قابل دسترسی است).
  23. ژانگ، ایکس. لیو، ال. چن، ایکس. گائو، ی. زی، اس. Mi, J. GLC_FCS30: محصول جهانی پوشش زمین با سیستم طبقه بندی خوب در 30 متر با استفاده از تصاویر سری زمانی Landsat. سیستم زمین علمی داده 2021 ، 13 ، 2753-2776. [ Google Scholar ] [ CrossRef ]
  24. Ahlqvist، O. در جستجوی طبقه‌بندی که از پویایی علم پشتیبانی می‌کند: سیستم طبقه‌بندی پوشش زمین فائو و اصلاحات پیشنهادی. محیط زیست طرح. B طرح. دس 2008 ، 35 ، 169-186. [ Google Scholar ] [ CrossRef ]
  25. هیل، RA; اسمیت، GM ناهمگونی پوشش زمین در بریتانیای کبیر همانطور که در نقشه پوشش زمین مشخص شده است. بین المللی J. Remote Sens. 2005 ، 26 ، 5467-5473. [ Google Scholar ] [ CrossRef ]
  26. یانگ، اچ. لی، اس. چن، جی. ژانگ، ایکس. Xu, S. استانداردسازی و هماهنگ سازی سیستم های طبقه بندی پوشش زمین به سمت مجموعه داده های هماهنگ: بررسی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 154. [ Google Scholar ] [ CrossRef ]
  27. یانگ، ی. شیائو، پی. فنگ، ایکس. لی، اچ. ارزیابی دقت هفت مجموعه داده جهانی پوشش زمین در چین. ISPRS J. Photogramm. Remote Sens. 2017 ، 125 ، 156-173. [ Google Scholar ] [ CrossRef ]
  28. کیان، تی. کینوشیتا، تی. فوجی، م. Bao, Y. تجزیه و تحلیل عدم قطعیت پروژه تلاقی درجه برای اعتبار سنجی نقشه های پوشش زمین جهانی با استفاده از طرح های طبقه بندی مبتنی بر داده های مرجع. Remote Sens. 2020 , 12 , 2589. [ Google Scholar ] [ CrossRef ]
  29. سها، ع. پال، اس. عربامری، ع. بلاشکه، تی. پناهی، س. چودوری، آی. چاکرابورتی، آر. کاستاش، آر. Arora، A. ارزیابی حساسیت به سیل با استفاده از مجموعه جدید Hyperpipes و الگوریتم‌های رگرسیون برداری پشتیبانی. Water 2021 , 13 , 241. [ Google Scholar ] [ CrossRef ]
  30. نگوین، LH; جوشی، DR. Clay، DE; Henebry، GM مشخص کردن پوشش زمین / کاربری زمین از چندین سال سری زمانی Landsat و MODIS: یک رویکرد جدید با استفاده از مدل‌سازی فنولوژی سطح زمین و طبقه‌بندی تصادفی جنگل. سنسور از راه دور محیط. 2020 ، 238 ، 111017. [ Google Scholar ] [ CrossRef ]
  31. Stehman، SV; ویکهام، جی دی. فتورینی، ال. وید، تی دی. بافته، اف. Smith, JH برآورد دقت ترکیب پوشش زمین از نمونه‌گیری خوشه‌ای دو مرحله‌ای. سنسور از راه دور محیط. 2009 ، 113 ، 1236-1249. [ Google Scholar ] [ CrossRef ]
  32. ایشی، ی. ایوائو، ک. کینوشیتا، تی. ارزیابی پوشش جهانی زمین با استفاده از مجموعه داده اعتبارسنجی یکنواختی فضایی. Remote Sens. 2021 , 13 , 2950. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00567 g001 550
شکل 1. گردش کار روش پیشنهادی.
Ijgi 11 00567 g002 550
شکل 2. توزیع فضایی تمام تصاویر صحنه طبیعی با برچسب جغرافیایی و منطقه تأیید. ( الف ) توزیع فضایی همه تصاویر صحنه طبیعی با برچسب جغرافیایی در مجموعه داده. ( ب ) منطقه تأیید.
Ijgi 11 00567 g003 550
شکل 3. بخشی از مجموعه داده های تصویر صحنه طبیعی. ( الف ) تصاویر فلیکر؛ ( ب ) تصاویر LUCAS در شمال، جنوب، شرق، غرب و مرکز.
Ijgi 11 00567 g004 550
شکل 4. توزیع فضایی تصاویر از LUCAS و Flickr در انگلستان (منطقه تأیید). ( الف ) تصاویر LUCAS، ( ب ) تصاویر فلیکر.
Ijgi 11 00567 g005 550
شکل 5. ساختار مدل NSIC-Inception بر اساس یادگیری انتقالی.
Ijgi 11 00567 g006 550
شکل 6. ماتریس سردرگمی بین CCI LC و مرجع زمین. ( الف ) ماتریس سردرگمی بین تصاویر CCI LC و LUCAS، ( ب ) ماتریس سردرگمی بین تصاویر CCI LC و Flickr.
Ijgi 11 00567 g007 550
شکل 7. نسبت صحت تصوير و ميانگين صحت در ناهمگوني فضايي مختلف پوشش اراضي. (متوسط ​​دقت راستی‌آزمایی با نمودارهای میله‌ای نشان داده شد، و نسبت تصاویر با نمودار خطی سبز رنگ نشان داده شد) ( الف ) تصاویر LUCAS، ( ب ) تصاویر فلیکر.
Ijgi 11 00567 g008 550
شکل 8. توزیع فضایی کمیت تصویر در شبکه 3000 × 3000 متر. ( الف ) توزیع فضایی تصاویر LUCAS، ( ب ) توزیع فضایی تصاویر فلیکر.
Ijgi 11 00567 g009 550
شکل 9. نمودار پراکندگی کمیت تصاویر در مقابل توافق متوسط ​​در شبکه 3000 × 3000 متر. (خطوط نشان دهنده تناسب خطی با داده ها است، باند اطراف خط فاصله اطمینان 0.95 است) ( الف ) مقدار تصاویر LUCAS در مقابل توافق متوسط، ( ب ) مقدار تصاویر فلیکر در مقابل توافق متوسط.
Ijgi 11 00567 g010 550
شکل 10. ( الف ) ماتریس سردرگمی بین GLC-FCS و LUCAS، ( ب ) ماتریس مقدار تفاوت GLC-FCS منهای CCI LC.
Ijgi 11 00567 g011 550
شکل 11. نتیجه تأیید تفاوت بین CCI LC و GLC-FCS. ( الف ) موقعیت نمونه‌ها در CCI LC (نمونه‌ها فقط با پوشش زمین A1 بودند)، ( ب ) نمونه‌ها در GLC-FCS (نمونه‌ها در پوشش زمینی A1 و B15 توزیع شدند)، ( ج ) تصاویر صحنه طبیعی در موقعیت نمونه‌ها به عنوان مرجع.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید