به منظور پرداختن به چالش های گرمایش جهانی، طرح کشت میلیارد درخت توسط دولت خیبر پختونخوا، پاکستان، در سال 2014 آغاز شد. تغییرات پوشش زمین در نتیجه پروژه سونامی میلیارد درخت نسبتا ناشناخته است. به طور خاص، استفاده از تکنیک های سنجش از دور و طبقه بندی تصاویر ماهواره ای هنوز انجام نشده است. اخیراً ماهواره Sentinel-2 (S2) در سنجش از دور و طبقه بندی پوشش زمین کاربرد زیادی پیدا کرده است. حسگرهای Sentinel-2 (S2) تصاویری را با وضوح فضایی 10، 20 و 60 متر به صورت رایگان ارائه می کنند. دقت طبقه بندی بالاتر مستقیماً به وضوح فضایی بالاتر تصاویر بستگی دارد. هدف این تحقیق طبقه‌بندی تغییرات پوشش زمین در نتیجه کشتزارهای میلیاردی درخت در مناطق مورد علاقه ما با استفاده از طبقه‌بندی‌کننده جنگل تصادفی (RFA) و تکنیک‌های همجوشی تصویر به کار رفته در تصاویر ماهواره‌ای Sentinel-2 و Landsat-8 است. برای شارپ کردن باندهای Sentinel-2 با وضوح پایین تا 10 متر از تکنیک تیز کردن تصویر مبتنی بر مدل پیشرفته استفاده شد. سپس از طبقه‌بندی کننده RFA برای طبقه‌بندی تصاویر شارپ‌شده استفاده شد و ارزیابی دقت برای تصاویر طبقه‌بندی‌شده سال‌های 2016، 2018، 2020 و 2022 انجام شد. در نهایت، نمونه‌های داده‌های زمینی با استفاده از پهپاد هواپیمای بدون سرنشین (UAV) جمع‌آوری شد. نمونه‌های تصویر طبقه‌بندی‌شده با داده‌های واقعی جمع‌آوری‌شده برای سال 2022 مقایسه شدند. نمونه‌های زمینی داده‌های واقعی بیش از 90 درصد با نمونه‌های تصویر طبقه‌بندی‌شده مطابقت داشتند. دقت طبقه بندی کلی [%] برای تصاویر طبقه بندی شده به ترتیب 92.87، 90.79، 90.27 درصد و 93.02 درصد برای داده های نمونه سال های 2016، 2018، 2020 و 2022 ثبت شد. به طور مشابه، یک طبقه بندی کلاه کاپا به ترتیب 0.87، 0.86، 0.83 و 0.84 برای داده های نمونه سال های 2016، 2018، 2020 و 2022 محاسبه شد.

کلید واژه ها: 

طبقه بندی جنگل تصادفی ; پروژه سونامی میلیارد درخت ; ادغام و شارپ کردن تصویر ؛ طبقه بندی تصویر

1. مقدمه

بخش مقدمه بیشتر به بخش های فرعی زیر تقسیم می شود.

1.1. ماموریت های ماهواره ای

در طول چند قرن گذشته، چشم انداز جهانی تغییرات شدید پوشش زمین به دلیل فعالیت های طبیعی و انسانی را پیش بینی کرده است [ 1 ، 2 ، 3 ]. برای پیش بینی تأثیر چنین تغییراتی بر نژاد بشر، نوعی مکانیسم نظارتی مورد نیاز است. با اختراع ماهواره ها و فناوری های سنجش از دور، نظارت بر منابع طبیعی بر روی یک چشم انداز بسیار بزرگ دیگر کار دشواری نیست [ 4 ]. اولین ماهواره برای نظارت بر سطح زمین (Landsat 1) در 23 ژوئیه 1972 پرتاب شد [ 5 ].]. پس از پرتاب موفقیت آمیز لندست 1، چند ماهواره دیگر نیز برای نظارت بر فعالیت های تجاری و غیرتجاری به فضا پرتاب شد. Landsat دسترسی رایگان به داده های سنجش از راه دور برای نظارت بر منابع طبیعی مانند پویایی جنگل فراهم می کند [ 6 ، 7 ]. در سال 2014، اولین ماهواره سنتینل – برنامه ماهواره ای Sentinel-1A – توسط آژانس فضایی اروپا (ESA) پرتاب شد. بعداً، برنامه کوپرنیک ماهواره های دیگری مانند Sentinels-1، 2، 3 و 5 را نیز پرتاب کرد. در حال حاضر، برنامه کوپرنیک دسترسی رایگان به تصاویر چند طیفی را نیز فراهم می کند. Sentinel-2A و Sentinel-2B به ترتیب در 23 ژوئن 2015 و 7 مارس 2017 پرتاب شدند. [ 8 ، 9] با قابلیت ضبط 13 باند پهن.

1.2. طبقه بندی تصویر

برای مدیریت کارآمد منظر، گام بسیار مهم دیگر، طبقه بندی تصاویر به دست آمده است. جامعه سنجش از دور از مدت‌ها قبل از روش‌های طبقه‌بندی تصاویر چندطیفی استفاده می‌کرده است. برای بهبود دقت طبقه‌بندی، تلاش‌های زیادی برای بررسی روش‌های طبقه‌بندی پیشرفته انجام شده است [ 10 ]]. چندین روش طبقه‌بندی برای ارزیابی تصاویر چند طیفی مانند روش‌های آماری پارامتریک و تکنیک‌های محاسبات نرم ناپارامتریک گزارش شده‌اند. تکنیک‌های محاسباتی نرم شامل شبکه‌های عصبی، سیستم‌های استنتاج فازی و سیستم‌های عصبی فازی هستند. برای طبقه‌بندی پیکسل‌ها در تصاویر چندطیفی، روش‌های آماری مرسوم مانند حداکثر احتمال، طبقه‌بندی‌کننده حداقل فاصله و تکنیک‌های مختلف خوشه‌بندی به طور گسترده مورد استفاده قرار می‌گیرند. مفاهیم دقیق در مورد طبقه بندی کننده حداکثر درستنمایی در [ 11 ] گزارش شده است]. در مقایسه با روش‌های طبقه‌بندی مرسوم، شبکه عصبی مصنوعی (ANN) ابزار قدرتمندی است که در بسیاری از زمینه‌های علم و مهندسی کاربرد پیدا می‌کند. ANN از داده های آموزشی ورودی برای نگاشت قوی بردار مشاهدات ورودی به خروجی استفاده می کند. در ادبیات موجود، چندین کاربرد از طبقه‌بندی‌کننده‌های ANN مانند شبکه‌های عصبی یادگیری پویا برای طبقه‌بندی پوشش زمین [ 12 ]، پرسپترون چند لایه (MLP) و شبکه‌های تابع پایه شعاعی (RBN) برای طبقه‌بندی نظارت شده [ 13 ] گزارش شده است. مقایسه با طبقه بندی کننده های معمولی [ 14 ]، ANN پس انتشار (BP) برای طبقه بندی زمین شناسی [ 15 ، 16 ]، ANN برای طبقه بندی زمین [ 17 ]] و شبکه‌های شبکه‌های عصبی مصنوعی فازی سه تا چهار لایه [ 18 ]. علاوه بر این، نویسندگان در [ 19 ، 20 ، 21 ] از شبکه‌های ANN برای طبقه‌بندی پیکسل‌ها در تصاویر چند طیفی با ترکیب آنها با طبقه‌بندی‌کننده‌های K-means تقسیم‌بندی و فازی استفاده کردند. جدای از ANN و طبقه‌بندی‌کننده‌های فازی، یک ماشین بردار پشتیبان (SVMs) نوع دیگری از روش‌های طبقه‌بندی نظارت شده است که به طور گسترده در ادبیات استفاده و گزارش شده است [ 22 ]. SVM در مواردی که مجموعه داده های آموزشی کوچک در دسترس است بسیار مفید است [ 23 , 24 , 25]. نوع دیگری از طبقه‌بندی‌کننده به نام درخت‌های تصمیم، نوعی طبقه‌بندی‌کننده ناپارامتری است و در برابر نویز مقاوم است. با این حال، چنین طبقه‌بندی‌کننده‌هایی برای کاربردهای سنجش از راه دور به خوبی مورد استفاده قرار نمی‌گیرند. نمونه ای از تکنیک طبقه بندی درخت تصمیم برای تصویرسازهای چند طیفی در [ 26 ] گزارش شده است. الگوریتم جنگل تصادفی (RFA) یک طبقه‌بندی درخت تصمیم محبوب برای طبقه‌بندی پوشش زمین است. RFA به طور گسترده در برنامه های کاربردی داده کاوی استفاده می شود. با این حال، استفاده از آن به طور کامل برای کاربردهای سنجش از راه دور مورد بهره برداری قرار نمی گیرد. RFA چندین مزیت مانند دقت بی نظیر و اجرای کارآمد ارائه می دهد [ 27 ، 28 ، 29 ، 30 ]. روش RFA در ادبیات طبقه بندی پوشش زمین گزارش شده است [31 ، 32 ]. RFA دقت بیشتری را در کلاس‌های طبقه‌بندی‌شده در مقایسه با تکنیک‌های سنتی ارائه می‌دهد و همچنین یک تکنیک محاسباتی مقرون‌به‌صرفه است [ 33 ، 34 ]. RFA به طور موثر برای طبقه بندی و تجزیه و تحلیل مبتنی بر پیکسل و شیء استفاده می شود [ 35]. روش RF متعلق به مجموعه روش های طبقه بندی با ساختار درختی است. روش RF تصادفی بودن را به روش بسته بندی اضافه می کند. علاوه بر این، طبقه‌بندی‌کننده RF به‌جای تقسیم آن در بین همه متغیرها، به‌طور تصادفی بهترین گره‌های تقسیم را از میان زیرمجموعه‌های پیش‌بینی‌ها انتخاب می‌کند. یک مجموعه داده آموزشی جدید از مجموعه داده اصلی با جایگزینی ایجاد می شود. این به طبقه بندی کننده RF اجازه می دهد تا به دقت بالایی دست یابد و زمان مورد نیاز برای همگرایی در مقایسه با سایر روش های سنتی بسیار کوتاه است [ 35 ].

1.3. فیوژن تصویر

ماهواره های Sentinel-2 به طور گسترده برای نظارت بر چشم انداز استفاده می شوند [ 36 ]. یکی دیگر از ویژگی های ماهواره های Sentinel-2 این است که آنها ماهواره های دیگر مانند Landsat و SPOT را برای مشاهده دقیق چشم انداز زمین تکمیل می کنند [ 36 , 37 , 38 , 39]. برای بهبود دقت طبقه‌بندی، ادبیات موجود چندین روش برای ترکیب تصاویر ماهواره‌های مختلف به منظور دستیابی به وضوح فضایی بالای تصاویر تبدیل شده مورد بحث قرار می‌دهد. برای ادغام تصویر، تصویرگر زمین عملیاتی Sentinel-2 و Landsat 8 (OLI) کاندیدای ایده آل هستند زیرا طول موج ها و سیستم مختصات جغرافیایی برای هر دو ماهواره یکسان است. ماهواره Sentinel-2 دارای سیزده باند طیفی است که از این میان چهار باند به ترتیب در 10 متر، شش باند در 20 متر و سه باند در وضوح فضایی 60 متر هستند. برای Landsat 8 OLI، هفت باند اول در 30 متر و نوار پانکروماتیک در وضوح مکانی 15 متر است [ 40 ].
در ادبیات ارائه شده در [ 41 ، 42 ]، تکنیک های همجوشی تصویر Sentinel-2 و Sentinel-1 ارائه شده است. در [ 43 ]، نویسندگان تکنیک های ترکیب داده Sentinel-2، Landsat 8 و Landsat 7 را با استفاده از طبقه بندی کننده های تصمیم و سطح پیکسل ارائه کردند. در [ 44 ]، نوارهای Sentinel-2 با وضوح فضایی 10 متر و 20 متر به وضوح 3 متر تیز شدند. به طور مشابه، در [ 45 ]، یک تکنیک ترکیب تصویر بر اساس یک ماشین بردار پشتیبان (SVM) برای تصاویر ماهواره ای Sentinel-2 و Sentinel-1 از منطقه ماگدالنا پایین در کلمبیا پیشنهاد شده است. نویسندگان در [ 46 ] یک تکنیک ترکیب تصویر برای ترکیب تصاویر Sentinel-2 و UAV ارائه کردند. در [ 47 ،48 ]، یک شبکه عصبی مصنوعی (ANN) برای تبدیل تصاویر Sentinel-2 و Landsat 8 به وضوح فضایی 10 متر پیشنهاد شده است. یک روش ادغام تصویر مبتنی بر مدل در [ 49 ] برای Sentinel-2 و Landsat 8 OLI پیشنهاد شده است تا به تمام باندهای مربوطه تا وضوح 10 متر برای هر دو ماهواره واضح شود.

1.4. پروژه سونامی میلیارد درخت

طرح کشت بیلیون درخت توسط دولت خیبر پختونخوا، پاکستان، در سال 2014 ( https://en.wikipedia.org/wiki/Billion_Tree_Tsunami ) آغاز شد (در 25 سپتامبر 2022 قابل دسترسی است). مسیر جنگلی کل استان خیبر پختونخوا پاکستان را در بر گرفت و در ابتدا به سه منطقه به نام های منطقه 1، منطقه 2 و منطقه 3 طبقه بندی شد. منطقه 1 منطقه مرکزی و جنوبی را پوشش می دهد، در حالی که منطقه 2 و منطقه 3 قسمت شمالی را پوشش می دهد. استان در مجموع هشت سال از آغاز عملیات جنگل‌سازی می‌گذرد، اما تغییر پوشش زمین در نتیجه پروژه سونامی میلیارد درخت نسبتاً ناشناخته باقی مانده است. به طور خاص، استفاده از تکنیک های سنجش از دور و طبقه بندی تصاویر ماهواره ای هنوز انجام نشده است.
بر اساس بررسی ادبیات فوق، مشارکت‌های اصلی این مقاله به شرح زیر است:
  • تغییرات پوشش زمین در منطقه مورد مطالعه در نتیجه پروژه سونامی میلیارد درخت نسبتا ناشناخته است. در این مقاله، داده های جمع آوری شده از چهار سال (2016، 2018، 2020 و 2022) از منطقه مورد مطالعه ما از ماهواره Sentinel-2 طبقه بندی شده و تغییرات پوشش زمین مربوطه محاسبه شده است.
  • قبل از طبقه بندی، تصاویر Sentinel-2 و Landsat 8 OLI با استفاده از یک رویکرد مبتنی بر مدل ارائه شده در [ 49 ] ترکیب می شوند. در نتیجه ادغام تصویر، همه باندهای 60 متر، 30 متر و 20 متر به وضوح فضایی 10 متر برای Sentinel-2 و Landsat 8 شارپ می شوند. با این حال، در این کار تحقیقاتی، از تصاویر شارپ Sentinel-2 برای طبقه بندی استفاده می شود. اهداف
  • تجزیه و تحلیل آماری پس از طبقه بندی تصاویر طبقه بندی شده با استفاده از مفاهیم ارائه شده در [ 50 ] و با استفاده از پلاگین طبقه بندی نیمه خودکار (SCP) [ 51 ] ارائه شده است. با استفاده از تجزیه و تحلیل آماری، ارزیابی دقت برای تصاویر طبقه بندی شده به دست می آید و دقت ارزیابی کلی و پارامترهای کلاه کاپا محاسبه می شود.
  • با استفاده از پهپاد پهپاد، تصاویر زمینی برای تصویر طبقه بندی شده سال 2022 ثبت و مقایسه می شود. در مجموع چهار منطقه نمونه در کل مساحت تصویر طبقه بندی شده انتخاب می شود و مختصات مناطق نمونه از تصویر طبقه بندی شده و نقشه خیابان باز یادداشت می شود. تصاویر زمینی جمع‌آوری‌شده از پهپاد با استفاده از MATLAB برای مقایسه آن با تصویر طبقه‌بندی شده، پیش پردازش و ارجاع جغرافیایی داده می‌شوند.
بقیه مقاله به صورت زیر مرتب شده است. در بخش 2 ، مواد و روش ها مورد بحث قرار می گیرد. بخش 2 بیشتر به بخش های فرعی تقسیم می شود که شامل جزئیات منطقه مورد مطالعه، روش ادغام تصویر، طبقه بندی، ارزیابی دقت و ثبت داده ها با استفاده از پهپاد است. بخش 3 نتایج را مورد بحث قرار می دهد و در نهایت بر اساس نتایج ارائه شده نتیجه گیری می شود.

2. مواد و روشها

در این بخش، جزئیات مربوط به منطقه مورد مطالعه، روش ترکیب تصاویر، طبقه بندی، ارزیابی دقت و نمونه برداری از داده های زمینی با استفاده از پهپاد ارائه شده است.

2.1. منطقه مطالعه

پاکستان از نظر جغرافیایی بین (23-38) درجه شمالی در عرض جغرافیایی و (61-78) درجه شرقی در طول جغرافیایی قرار دارد. غاری چاندان در نزدیکی پیشاور، شهری در استان خیبر پختونخوا در پاکستان واقع شده است. غاری چاندان از نظر جغرافیایی در 33 درجه و 50 دقیقه اینچ شمالی و 71 درجه و 42 دقیقه در شرق قرار دارد. این یکی از مکان‌های منطقه 1 است که مزرعه سونامی میلیارد درخت در آن تکمیل شده است. مساحت کل محل مطالعه ما 3141.6 هکتار / 31.42 میلیون متر مربع است .
شکل 1 نقشه جغرافیایی پاکستان و نقشه بریده شده خیابان باز منطقه مورد مطالعه ما را نشان می دهد. از نقشه خیابان باز منطقه مورد مطالعه مشاهده می شود که جنگل ها در دو منطقه با برچسب سونامی میلیارد درخت کاشته شده اند، یکی در سمت چپ و دیگری در سمت راست نقشه بریده شده. در منطقه مورد مطالعه، پوشش گیاهی و رشد جنگل کاملاً وابسته به چرخه باران است و هیچ کانال یا آب زیرزمینی برای اهداف آبیاری در دسترس نیست.

2.2. فیوژن و شارپنینگ تصویر

در این کار، روش ارائه شده در [ 49 ] برای افزایش وضوح فضایی همه باندهای Sentinel-2 و Landsat 8 به 10 متر استفاده می شود. روش پیشنهادی از بهینه سازی برای تخمین پیش بینی ها در یک فضای کم ابعاد استفاده می کند. همانطور که در [ 49 ] داده شد، تابع هزینه روش برآورد به صورت زیر نمایش داده می شود:

سی(آ،ب)=∑من=1n0.5||ϕمن–Dمنبمنآمن||2+∑j=1مترδjΩw(zj)
پارامترهای ارائه شده در معادله (1) و مفاهیم بیشتر در [ 48 ، 49 ] مورد بحث قرار گرفته اند. در این کار، تصاویر Sentinel-2 و Landsat 8 OLI شارپ شده با استفاده از پلاگین طبقه بندی نیمه خودکار (SCP) [ 45 ] و QGIS 3.16 دانلود شدند. یک کار چالش برانگیز این بود که چگونه داده های دانلود شده در QGIS 3.16 را به الگوریتم شارپنینگ نوشته شده در MATLAB پیوند دهیم، به طوری که اطلاعات جغرافیایی همه باندها پس از انجام شارپ کردن تصویر بازیابی شوند. شکل 2فلوچارتی را نشان می دهد که کل فرآیند را توضیح می دهد. همانطور که در فلوچارت نشان داده شده است، داده های دانلود شده برای هر دو ماهواره Sentinel-2 و Landsat OLI به MATLAB وارد می شوند. قبل از این مرحله، فایل های جهان شطرنجی در QGIS تولید و به صورت ذخیره می شوند. فایل های tfw به طور کلی، شطرنجی در قالب فایل جهانی، داده‌های جغرافیایی مکانی یکسانی برای همه باندهای Sentinel-2 و Landsat 8 خواهد داشت، زیرا داده‌ها برای هر دو ماهواره به یک هماهنگی بریده می‌شوند. پس از بارگذاری تمام داده ها در فهرست کاری MATLAB، توابع متلب داخلی برای ذخیره ماتریس و اطلاعات مکانی استفاده می شوند. همانطور که قبلا توضیح داده شد، ϕمنآرایه ساختاری تشکیل شده از باندهای Sentinel-2 و Landsat 8 مشاهده شده را نشان می دهد و طبق مفاهیم ارائه شده در [ 49 ]، 12 ورودی اول نشان دهنده باندهای Sentinel-2 به جز باند 10 هستند و هفت باند اول Landsat 8 ذخیره می شوند. در موقعیت ورودی 13-19. جزئیات بیشتر در فلوچارت نشان داده شده در شکل 2 آورده شده است.

2.3. طبقه بندی نظارت شده

در بخش مقدمه، مروری مفصل در مورد سه طبقه‌بندی تحت نظارت، یعنی روش‌های شبکه عصبی مصنوعی، درخت تصمیم و الگوریتم جنگل تصادفی ارائه شده است. شبکه‌های عصبی مصنوعی، سیستم‌های محاسباتی الهام‌گرفته از شبکه‌های عصبی بیولوژیکی هستند که مدل‌های ریاضی مشتق‌شده از مغزهای بیولوژیکی را تشکیل می‌دهند، که قوانین طبقه‌بندی را با تقسیم بازگشتی داده‌ها به گروه‌های همگن تولید می‌کنند. بسته به معیارهای ویژگی پیش بینی، داده ها به گروه های کوچکتر و همگن تر (که به عنوان گره نامیده می شود) تقسیم می شوند. در مقایسه با درخت تصمیم، الگوریتم جنگل تصادفی یک «جنگل» ایجاد می‌کند، که مجموعه‌ای از درخت‌های تصمیم‌گیری است که معمولاً با روش «bagging/bootstrapping» آموزش داده می‌شود. ایده کلی روش بسته بندی این است که ترکیبی از مدل های یادگیری، نتیجه کلی را افزایش می دهد. یک تحلیل مقایسه ای در نشان داده شده استجدول 1 .
بر اساس مزایای ارائه شده توسط الگوریتم جنگل تصادفی، این کار تحقیقاتی از الگوریتم جنگل تصادفی برای طبقه بندی جنگل استفاده می کند. در این کار از پلاگین SCP QGIS 3.16 برای طبقه بندی Random Forest داده ها استفاده شده است.

2.4. ارزیابی دقت

برای محاسبه تعداد کل نمونه ها از رابطه زیر استفاده می شود [ 50 ، 51 ]

اس=(∑من=1nآمنδمنδo)2

جایی که اسنشان دهنده تعداد کل نمونه هایی است که برای تصویر طبقه بندی شده طراحی می شوند، آمننسبت مساحت نگاشت شده به کلاس را نشان می دهد من، δمنانحراف استاندارد هر کلاس را نشان می دهد منو δoنشان دهنده انحراف استاندارد مورد انتظاری است که در طی ارزیابی دقت به دست می آید. در این کار، δo= 0.01.

اکنون نمونه های هر کلاس به صورت زیر محاسبه می شوند [ 50 , 51 ]

اسمن=(اسآمن+اسn)2

جایی که اسمننشان دهنده نمونه های هر کلاس و nتعداد کلاس ها را نشان می دهد. پس از طراحی نمونه برای هر کلاس، بقیه پردازش ها با استفاده از پلاگین SCP و QGIS 3.16 انجام می شود و جزئیات در شکل 3 نشان داده شده است.

2.5. نمونه برداری از داده های زمینی با استفاده از پهپاد

در این کار، از یک پهپاد ترکیبی dji mavic mini 2 برای جمع‌آوری داده‌های زمینی جنگل‌های میلیارد درخت در منطقه مورد مطالعه ما استفاده شد. مشخصات پهپاد پهپاد در لینک زیر ( https://www.dji.com/mini-2/specs ) (دسترسی در 25 سپتامبر 2022) آورده شده است. قبل از جمع‌آوری داده‌های زمینی، در مجموع 4 منطقه نمونه فرعی از داخل تصویر طبقه‌بندی شده سال 2022 علامت‌گذاری شد . شکل 4 مناطق نمونه فرعی علامت‌گذاری‌شده را نشان می‌دهد که داده‌های زمینی برای آنها با استفاده از پهپاد پهپاد جمع‌آوری شده است. همانطور که در شکل 4 نشان داده شده است ، چهار ناحیه نمونه فرعی با استفاده از چندضلعی های چهارضلعی زرد، سیاه، آبی روشن، آسمانی و آبی تیره مشخص شده اند. از QGIS، مختصات نمونه فرعی بریده شده، طول و عرض و مرکزهای مربوطه در جدول نشان داده شده است. جدول 2 نشان داده شده است.
مختصات ثبت شده برای همه نمونه های فرعی به درجه اعشاری (DD) تبدیل می شود. از آنجایی که هر نمونه فرعی نشان دهنده چند ضلعی های چهار ضلعی است، بنابراین مختصات نقطه گوشه با کمک یک دستگاه GPS در محل سایت هر منطقه نمونه فرعی مشخص می شود. سپس، برای هر چند ضلعی مستطیل، مرکز مربوطه را می توان به راحتی روی زمین علامت گذاری کرد. پهپاد را می توان به صورت عمودی از مرکز هر نمونه فرعی برداشت یا زمانی که بدنه دوربین و پهپاد نسبت به سطح زمین هر نمونه زاویه دارند، می تواند تصاویر را ضبط کند. تفسیر نمودار هندسی برای جمع آوری داده های زمینی با استفاده از پهپاد پهپاد در شکل 5 a,b نشان داده شده است.
همانطور که در شکل 5 نشان داده شده است a،b، L و W طول و عرض هر نمونه را نشان می دهد، rs نیمی از طول را نشان می دهد، r نشان دهنده شعاع دایره فرضی مشاهده شده توسط دوربین پهپاد، h ارتفاع عمودی پهپاد است. با توجه به زمین، hr ، hm و hl اضلاع مثلث ها را همانطور که در شکل ها درک می شود نشان می دهد. زاویه میدان دید (FOV) دوربین پهپاد به صورت φ نشان داده می شود ، فاصله زاویه ای بدنه پهپاد از مرکز نمونه ها با ρ و α اندازه گیری می شود.نشان دهنده زاویه بین محور زمین و hm است. همانطور که در شکل نشان داده شده است، چند ضلعی چهار ضلعی دارای چهار نقطه گوشه، P1، P2، P3، P4 و یک مرکز، C است.
از تفسیر هندسی شکل 5 الف، ارتفاع پهپاد را می توان با استفاده از عبارت زیر، با α = 90 درجه محاسبه کرد.

ساعت=rبرنزه(ϕ2)
در معادله (4) rناشناخته است، بنابراین ما آن را فرض می کنیم r=1.5∗rسزیرا برای هر نمونه rسشناخته شده است. از تفسیر هندسی شکل 5 ب، ارتفاع پهپاد را می توان با استفاده از عبارت زیر با α> 90 درجه محاسبه کرد.

ساعت=rمتربرنزه(ρ–ϕ2)
در معادله (5)، rمترناشناخته است، بنابراین ما آن را از موقعیت GPS فعلی پهپاد و مختصات مرکز شناخته شده هر نمونه محاسبه می کنیم. پس از جمع‌آوری داده‌های زمینی برای هر 4 نمونه، از الگوریتم متلب زیر برای تراز کردن تصاویر و ارجاع جغرافیایی استفاده می‌شود. لطفاً به شکل 6 مراجعه کنید .
از ( https://www.dji.com/mini-2/specs ) (دسترسی در 25 سپتامبر 2022)، این پهپاد می تواند به حداکثر ارتفاع 4000 متر از سطح دریا برسد و به سنسورهای سیستم ماهواره ناوبری جهانی مجهز شده است. مانند GPS/GLONASS/GALILEO. محدوده قابل کنترل گیمبال های دوربین بین 90- تا 0 درجه است. این پهپاد مجهز به دوربین 12 مگاپیکسلی با میدان دید کلی (FOV) 83 درجه است. با استفاده از پارامترهای ذکر شده و معادله (5)، ارتفاع و سایر پارامترهای مجموعه تصاویر در جدول 3 آورده شده است. لطفا توجه داشته باشید که زاویه ها به رادیان تبدیل می شوند. همانطور که در جدول 3 نشان داده شده است ، ارتفاع پهپاد همیشه در محدوده 1 کیلومتری از سطح زمین است. علاوه بر این، در جدول 3، ρ (درجه) -xb زاویه پهپاد و دوربین را با توجه به محور x – بدنه پهپاد نشان می دهد و ρ (درجه) -h همان زاویه را نسبت به خط عمود h نشان می دهد.
برای همه نمونه ها، تصاویر در 22 اکتبر 2022 با ضریب بزرگنمایی دوربین 2 ثبت شد و تصاویر ماهواره ای از 25 سپتامبر 2022 برای سال به دست آمد. شکل 7 a-c تصاویر بریده شده به دست آمده را نشان می دهد. این تصاویر در متلب پیش پردازش شده اند.

3. نتایج

در بخش زیر، نتایج با زیر بخش های زیر ارائه شده است.

3.1. وضوح تصویر

سمت چپ شکل 8 a نوار اصلی Sentinel-2 1 (60 متر) را نشان می دهد، و سمت راست شکل 8 a تصویر واضح شده را نشان می دهد که نوار 1 (10 متر) را با استفاده از روش پیشنهادی نشان می دهد. به طور مشابه، شکل 8 b باند 1 لندست 8 اصلی (30 متر) و نوار تیز شده لندست 8 1 (10 متر) را نشان می دهد. از شکل 8 و با مقایسه بصری باندهای شارپ 60 متری با وضوح فضایی 10 متری، تمام پیکسل های تاری شارپ می شوند و پیکسل های تصاویر شارپ به دست آمده به اندازه کافی واضح هستند. به طور کلی، مقایسه بصری نوارهای اصلی و تیز شده دشوار است، بنابراین شاخص های عملکرد در [ 49 ] گزارش شده است.] محاسبه می شوند. شاخص های عملکرد شامل خطای جهانی بدون بعد نسبی (ERGAS)، ریشه میانگین مربعات خطا (RMSE)، نگاشت زاویه ای طیفی (SAM)، شاخص کیفیت جهانی (UQI)، خطای سیگنال به بازسازی (SRE) و اندازه گیری شاخص تشابه ساختاری (SSIM) است. ). جدول 4 و جدول 5 نشانگر عملکرد نوارهای تیز شده محاسبه شده برای داده های 20 متر، 30 متر و 60 متر را نشان می دهد. همانطور که از داده های جدول مشاهده شد، امتیازات ERGAS، SAM و RMSE محاسبه شده برای باندهای 20 متر، 30 متر و 60 متر به خوبی در محدوده مقادیر محاسبه شده در [ 49 ] قرار دارد. از جدول 4نمرات تخمینی ERGAS 0.47، 1.23 و 7.1 به ترتیب برای باندهای 20 متر، 30 متر و 60 متر ثبت شد. نمره ERGAS پایین تر نشان می دهد که اعوجاج در تصویر ذوب شده کم است. کمترین امتیاز ERGAS با 0.47 برای باند 60 متر ثبت شد که به این معنی است که کمترین اعوجاج را دارد. به طور مشابه، جدول 5 بزرگی امتیازهای SRE، SSIM و UIQI را برای باندهای 20 متر، 30 متر و 60 متر و میانگین های مربوط به آنها نشان می دهد. مقایسه نمرات جدول بندی شده در جدول 5 با داده های ارائه شده در [ 49 ] نشان می دهد که تمامی امتیازات در محدوده قابل قبولی قرار دارند. از جدول 5میانگین امتیازات تخمینی UIQI 0.52، 0.65 و 0.70 به ترتیب برای باندهای 20 متر، 30 متر و 60 متر ثبت شد. در اینجا لازم به ذکر است که شاخص UIQI 1 به این معنی است که کیفیت تصویر با اعوجاج کمتری عالی است. امتیاز 0.70 که نزدیک به 1 است برای 60 متر ثبت شد. از جدول 4 ، نمرات SAM برآورد شده 7.05، 1.23، 0 به ترتیب برای باندهای 20 متر و 30 متر ثبت شد. در اینجا لازم به ذکر است که نمره SAM صفر به این معنی است که تصویر دارای اعوجاج زاویه طیفی کمی است.

3.2. طبقه بندی تصویر

شکل 9 داده‌های طبقه‌بندی‌شده را برای سال‌های 2016، 2018، 2020 و 2022 نشان می‌دهد. از آنجایی که طرح کشت میلیاردی درختان در سال 2014 آغاز شد و به بعد ادامه یافت، یک فاصله دو ساله برای جمع‌آوری داده‌ها انتخاب شد. همچنین منطقه مورد مطالعه غاری چندان فاقد آب زیرزمینی فراوان برای مصارف آبیاری بوده و رشد گیاهان کاملاً وابسته به بارندگی است.
از شکل 9 الف تا د، گزارش های طبقه بندی از داده های طبقه بندی شده تولید می شوند و نتایج در جدول 6 جدول بندی شده اند. از داده های جدول بندی شده برای سال های 2016، 2018، 2020 و 2022، کل مساحت طبقه بندی شده در هر مورد 3141.6 هکتار / 31.416 میلیون متر مربع است .. مساحت جنگلی برای سال های 2016، 2018، 2020 و 2022 به ترتیب 9.564، 22.070، 36.502 و 56.553 درصد برآورد شده است. از درصد مساحت‌های برآورد شده برای هر چهار سال، این نتیجه حاصل می‌شود که برای بازه‌های زمانی مساوی (دوره دو ساله)، افزایش تقریباً متناسبی در مناطق جنگلی مشاهده می‌شود. علاوه بر این، مناطق درصد پوشش گیاهی برای سال های 2016، 2018 و 2022 تقریباً در یک محدوده قرار دارند. با این حال، برای سال 2020، یک منطقه طبقه بندی شده کاهش یافته برای کلاس پوشش گیاهی مشاهده می شود. این ممکن است به دلیل خطاهای دقت طبقه بندی و فصل های کم باران در منطقه مورد مطالعه باشد.

3.3. ارزیابی دقت

جدول 7 طبقه بندی نمونه برای هر کلاس را نشان می دهد. در این کار در مجموع سه کلاس در نظر گرفته شده است. n=3. علاوه بر این، انحراف استاندارد برای هر کلاس به صورت زیر انتخاب شد: δ1=0.1،δ2=0.2،δ3=0.3. از معادلات (2) و (3)، پارامترهای تعریف شده در بالا، و درصد نسبت مساحت برای هر طبقه ارائه شده در جدول 6 برای سال 2022، تعداد کل نمونه های محاسبه شده به صورت جدول بندی شده است. اس= 260. جدول 7 طبقه بندی نمونه را برای داده های طبقه بندی شده سال 2022 برای هر طبقه نشان می دهد. از جدول 8 ، پارامترهای ارزیابی دقت برای داده های طبقه بندی شده سال 2022، دقت طبقه بندی کلی [%] به عنوان 92.87٪ با طبقه بندی کلی کلاه کاپا = 0.8777 ثبت شده است. این ثابت می کند که منطقه طبقه بندی شده با درصد بسیار بالایی با حقایق زمینی ترسیم شده است. به طور مشابه، با استفاده از معادلات (2) و (3)، انحراف استاندارد تعریف شده از هر کلاس منو انحراف استاندارد مورد انتظار و درصد نسبت مساحت برای هر طبقه در جدول 6 برای سال 2020، تعداد کل نمونه های محاسبه شده به شرح زیر است: اس= 309. جدول 9 طبقه بندی نمونه را برای داده های طبقه بندی شده سال 2020 برای هر طبقه نشان می دهد.
جدول 10 پارامترهای ارزیابی دقت مانند ماتریس خطای ناحیه، دقت کلی، خطای استاندارد و امتیاز کلاه کاپا را برای داده های طبقه بندی شده سال 2020 نشان می دهد. همانطور که در جدول 10 نشان داده شده است، دقت طبقه بندی کلی [%] 90.79% با یک طبقه بندی کلاه کاپا 0.8611 به دست آمده است.
با استفاده از معادلات (2) و (3)، انحراف استاندارد تعریف شده از هر کلاس منو انحراف استاندارد مورد انتظار و درصد نسبت مساحت برای هر طبقه در جدول 6 برای سال 2018، تعداد کل نمونه های محاسبه شده به شرح زیر است: اس= 393. جدول 11 طبقه بندی نمونه ها را برای داده های طبقه بندی شده سال 2018 برای هر طبقه نشان می دهد.
جدول 12 پارامترهای ارزیابی دقت مانند خطای استاندارد در ناحیه هر کلاس، دقت کاربر و سازنده، کلاه کاپا و منطقه تخمینی را نشان می دهد. از داده های جدول بندی شده، دقت کلی [٪] 90.27٪ با نمره طبقه بندی کلاه کاپا 0.8326 مشاهده می شود. علاوه بر این، خطاهای استاندارد در منطقه برای هر کلاس در محدوده قابل قبول است. برای آخرین مجموعه داده سال 2016، با استفاده از معادلات (2) و (3)، و انحراف استاندارد تعریف شده هر کلاس منبا انحراف استاندارد مورد انتظار و درصد نسبت مساحت برای هر کلاس در جدول 6 ، تعداد کل نمونه های محاسبه شده به شرح زیر است: اس= 432. جدول 13 طبقه بندی نمونه ها را برای داده های طبقه بندی شده سال 2016 برای هر طبقه نشان می دهد.
جدول 14 پارامترهای ارزیابی دقت مانند خطای استاندارد در ناحیه هر کلاس، دقت کاربر و سازنده، کلاه کاپا و مساحت تخمینی را نشان می دهد. از داده های جدول بندی شده، دقت کلی [%] 93.02٪ با طبقه بندی کلاه کاپا = 0.8444 به دست می آید. نمرات ارزیابی دقت در محدوده قابل قبولی قرار دارند، بنابراین نتیجه می‌گیریم که تصویر طبقه‌بندی شده با مقادیر واقعی مطابقت کامل دارد.

3.4. تغییر نقشه منطقه مورد مطالعه برای سال های 2016-2022

در این بخش، یک نقشه تغییر برای دوره 2016-2022 محاسبه شده و در شکل 10 نشان داده شده است. از نقشه تغییر به‌دست‌آمده، مساحت کل کلاس‌های متقاطع و درصد تغییرات در مساحت هر کلاس متقاطع در شکل 11 آورده شده است. از نتایج ارائه شده، بدیهی است که در بازه زمانی 2016-2022، تقریباً 41 درصد از زمین های بایر طبقه بندی شده برای داده های سال 2016 تا سال 2022 بر روی طبقه جنگل نقشه برداری شده است. به طور مشابه، از شکل 11نشان داده شده است که در بازه زمانی 2016-2022 یک تغییر 21 درصدی در مساحت طبقه بایر مشاهده می شود. این امر به این دلیل است که منطقه مورد مطالعه دارای مقداری رشد گیاهی طبیعی بوده و جنگل زدایی در اثر اثرات طبیعی یا دخالت انسان رخ داده است. به جز دو کلاس متقاطع فوق الذکر، کلاس های متقاطع باقی مانده تغییرات کمتری در مناطق دارند.

3.5. تطبیق داده های زمینی

شکل 12 a-d نمونه های طبقه بندی شده زیر منطقه و داده های واقعی ثبت شده با استفاده از پهپاد پهپاد را نشان می دهد. شکل 12 a نمونه طبقه بندی شده زیر منطقه 1 و تصویر داده های زمین مربوطه ثبت شده با استفاده از پهپاد را نشان می دهد. با مقایسه دو تصویر به این نتیجه می رسد که منطقه نمونه طبقه بندی شده با تصویر واقعی مطابقت خوبی دارد. با این حال، بخشی از منطقه نمونه طبقه بندی شده نشان دهنده کلاس پوشش گیاهی است و نمی توان آن را با تصویر واقعی مطابقت داد. این به دلیل این واقعیت است که دقت طبقه بندی دارای برخی خطاها است، همانطور که در زیر بخش ارزیابی دقت مورد بحث قرار گرفت.
به طور مشابه، شکل 12 b نمونه طبقه بندی شده زیر منطقه 2 و تصویر داده های زمین مربوطه را که با استفاده از پهپاد ثبت شده است نشان می دهد. با مقایسه دو تصویر به این نتیجه می رسد که منطقه نمونه طبقه بندی شده با تصویر واقعی مطابقت خوبی دارد. با این حال، بخشی از منطقه نمونه طبقه بندی شده در زیر خط برچسب نشان دهنده ترکیبی از پوشش گیاهی و طبقات زمین برهنه است. شکل 12 c نمونه طبقه بندی شده زیر منطقه 3 و تصویر داده های زمین مربوطه را که با استفاده از پهپاد ثبت شده است نشان می دهد. با مقایسه دو تصویر به این نتیجه می رسد که منطقه نمونه طبقه بندی شده با تصویر واقعی مطابقت خوبی دارد. با این حال، بخش بالایی تصویر واقعی حاوی بخش هایی است که نشان دهنده طبقه زمین برهنه است. در حالی که، زیر منطقه طبقه بندی شده نمونه 3 چنین کلاسی را شامل نمی شود.شکل 12 d نمونه طبقه بندی شده زیر منطقه 4 و تصویر داده های زمین مربوطه را که با استفاده از پهپاد ثبت شده است نشان می دهد. با مقایسه دو تصویر به این نتیجه می رسد که منطقه نمونه طبقه بندی شده نیز با تصویر واقعی تطابق خوبی دارد. با این حال، بخش میانی سمت راست تصویر طبقه بندی شده شامل یک طبقه زمین برهنه است. در حالی که تصویر واقعی چنین منظره ای را شامل نمی شود.

4. بحث و گفتگو

به منظور راستی‌آزمایی حقیقت زمین در مورد کشتزار انجام شده در نتیجه آغاز پروژه سونامی میلیارد درخت توسط دولت پاکستان در استان خیبر پختونخوا ( https://en.wikipedia.org/wiki/Billion_Tree_Tsunami ) (دسترسی در 25 سپتامبر 2022)، این کار تحقیقاتی از تصاویر ماهواره‌ای چندطیفی به‌طور رایگان در دسترس از برنامه‌های Sentinel و Landsat استفاده کرد و داده‌ها را طبقه‌بندی کرد. قبل از طبقه‌بندی، داده‌های به‌دست‌آمده از دو ماهواره با استفاده از رویکرد مبتنی بر مدل [ 49 ] ترکیب شدند و تمام باندهای هر دو ماهواره تا وضوح فضایی 10 تیز شدند.
برای وضوح تصویر، شاخص های عملکرد در جدول 4 و جدول 5 جدول بندی شده اند. از داده های جدول بندی شده، میانگین نمرات خطای سیگنال به بازسازی (SRE)، اندازه گیری شاخص تشابه ساختاری (SSIM) و شاخص کیفیت جهانی (UQI) برای باندهای 20 متری به صورت 13.918 ، 0.8786 و 0.5286 محاسبه می شود. به طور مشابه برای باندهای 30 متری، میانگین امتیازات SRE، SSIM و UQI به ترتیب 12.99 ، 0.8514 و 0.6586 ذکر شده است. برای باندهای 60 متری، میانگین امتیازات محاسبه شده برای SRE، SSIM و UQI 15.71 ، 0.88 و 0.70 است.به ترتیب. علاوه بر این، از جدول 4 ، امتیازهای محاسبه شده برای خطای جهانی بدون بعد نسبی (ERGAS)، ریشه میانگین مربعات خطا (RMSE) و نقشه‌بردار زاویه‌ای طیفی (SAM) برای باندهای 20 متر، 30 متر و 60 متر مطابقت خوبی با امتیازات دارد. ارائه شده در [ 49 ]. از مباحث فوق نتیجه می‌گیریم که نتایج وضوح تصویر برای همه باندها از دقت بالایی برخوردار است. همچنین می توان تأیید کرد که هدف 2 تعریف شده در بخش مقدمه محقق شده است. به منظور تحقق اهداف 1 و 3، تصاویر طبقه بندی شده و شاخص های ارزیابی دقت در شکل 8 ، شکل 9 ، شکل 10 و شکل 11 و جدول 6 ارائه شده است.جدول 7 , جدول 8 , جدول 9 , جدول 10 , جدول 11 , جدول 12 , جدول 13 و جدول 14. از تجزیه و تحلیل داده های جدول بندی شده در جداول بالا، برای سال 2022، دقت طبقه بندی کلی [%] به عنوان 92.87٪ با طبقه بندی کلی کلاه کاپا = 0.8777 ثبت شد. به طور مشابه، برای داده های طبقه بندی شده سال 2020، دقت طبقه بندی کلی [%] 90.79٪ با طبقه بندی کلاه کاپا 0.8611 به دست آمد. برای سال 2018، دقت کلی [%] 90.27% با امتیاز طبقه بندی کلاه کاپا 0.8326 مشاهده شد و برای سال 2016، دقت کلی [%] 93.02% با طبقه بندی کلاه کاپا = 0.8444 به دست آمد. این نتایج نشان می دهد که داده های طبقه بندی شده در تطابق کامل با داده های مرجع است. همچنین امتیاز خطای استاندارد (SE) در حوزه، دقت کاربر و سازنده در محدوده قابل قبولی قرار دارد. در آخر، یک نقشه تغییر از داده های طبقه بندی شده سال های 2016-2022 ایجاد شد. نتایج در ارائه شده استشکل 9 ، شکل 10 و شکل 11 . از نتایج ارائه شده، تغییر 41 درصدی در مساحت زمین بایر از داده های طبقه بندی شده سال 2016 به عنوان جنگل در سال 2022 ترسیم شده است. این نشان دهنده اعتبارسنجی اهداف 1 و 3 است. داده های طبقه بندی شده با حقایق زمینی و با ثبت نمونه های زمینی چهار منطقه با استفاده از پهپاد انجام شد. نتایج در شکل 12 آورده شده است و نمونه های طبقه بندی شده مطابقت خوبی با داده های زمینی دارند.
تکنیک وضوح تصویر ارائه شده در [ 49 ] در این کار تحقیقاتی مورد استفاده قرار گرفت. با این حال، یک الگوریتم رابط توسعه داده شد که به طور خودکار داده ها را از یک پوشه تعیین شده از QGIS کپی می کند، داده های شطرنجی جغرافیایی را برای هر باند استخراج می کند و در نهایت تصاویر شارپ شده را با داده های شطرنجی جغرافیایی استخراج شده در مرحله 2 ترکیب می کند تا تصاویر نهایی آماده شوند. طبقه بندی در QGIS این روشی است که در آن روش ارائه شده در [ 49 ] خودکار شد و داده‌های QGIS به روشی راحت به MATLAB مرتبط شدند. همانطور که در [ 52]، مطالعات بسیار محدودی برای نقشه برداری پوشش زمین و جنگل در پاکستان در بازه زمانی 1993-2021 انجام شده است و تنها 73 مقاله بررسی شده در طول دوره زمانی فوق الذکر منتشر شده است. علاوه بر این، از داده های جدول بندی شده در [ 52]، تصاویر به دست آمده از لندست 2، 3، 5، 7، 8 بیشتر برای نقشه برداری جنگل استفاده شد. در حالی که، در این کار تحقیقاتی، از تکنیک ترکیب تصویر برای ترکیب تصاویر چند طیفی Landsat 8 OLI و Sentinel-2 برای شارپ کردن تمام باندها تا وضوح فضایی 10 متر استفاده شد. علاوه بر این، میانگین دقت کلی برای نقشه برداری جنگل در پاکستان بین 82 تا 95 درصد گزارش شده است. با این حال، در بیشتر موارد، داده های زمینی در نظر گرفته نمی شوند. در نتایج گزارش شده ما، همین مورد در نظر گرفته شده و تأیید شده است. در مجموع، نتایج تحقیق ارائه شده در این کار، تمام کاستی‌های (نظری و تجربی) اشاره‌شده در [ 52 ] را برطرف می‌کند.

5. نتیجه گیری و کار آینده

این مقاله یک طبقه‌بندی نظارت شده از کشتزار جنگل‌های سونامی میلیارد درختی که توسط دولت پاکستان در استان خیبر پختونخوا با استفاده از الگوریتم جنگل تصادفی آغاز شده است، ارائه کرده است. برای منطقه مورد مطالعه ما، تصاویر از ماهواره‌های Sentinel-2 و Landsat 8 به دست آمد و یک روش مبتنی بر مدل برای شفاف‌سازی همه باندها تا وضوح فضایی 10 متر استفاده شد. داده های تیز شده چهار ساله طبقه بندی شد و ارزیابی دقت برای هر مجموعه داده انجام شد. از بخش نتایج و بحث، این نتیجه حاصل شد که نمرات ارزیابی دقت شامل دقت کلی، کلاه کاپا و خطاهای ناحیه استاندارد در محدوده قابل قبولی است، بنابراین داده های طبقه بندی شده با داده های مرجع تطابق خوبی دارند. سرانجام، داده‌های طبقه‌بندی‌شده سال 2022 با داده‌های واقعی به‌دست‌آمده توسط یک پهپاد مقایسه شد و هر دو مجموعه داده توافق رضایت‌بخشی را با یکدیگر نشان می‌دهند. این کار یک توسعه بالقوه در آینده برای توسعه استقلال در سطح الگوریتم برای پهپاد دارد تا به طور مجازی مناطق نمونه را با استفاده از دستگاه GPS علامت‌گذاری کند و تصاویر زمین را ثبت کند. به طور مشابه، تکنیک های مشابه را می توان برای طبقه بندی و تجزیه و تحلیل تمام مناطق پروژه سونامی میلیارد درخت گسترش داد.

منابع

  1. هانسن، ام سی; دفریس، آر. تاونشند، جی آر. Sohlberg، R. طبقه بندی پوشش زمین جهانی در تفکیک مکانی 1 کیلومتر با استفاده از رویکرد درخت طبقه بندی. بین المللی J. Remote Sens. 2000 ، 21 ، 1331-1364. [ Google Scholar ] [ CrossRef ]
  2. هوسونوما، ن. هرولد، ام. دی سی، وی. De Fries، RS; بروکهاوس، ام. ورشوت، ال. آنجلسن، آ. Romijn، E. ارزیابی از جنگل زدایی و محرک های تخریب جنگل در کشورهای در حال توسعه. محیط زیست Res. Lett. 2012 ، 7 ، 44009. [ Google Scholar ] [ CrossRef ]
  3. فیری، دی. مورگنروث، جی. Xu, C. تغییر طولانی مدت پوشش زمین در زامبیا: ارزیابی عوامل محرک. علمی کل محیط. 2019 ، 697 ، 134206. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. ژوکر، تی. کاسپرسن، جی. چاو، جی. آنتین، سی. باربیر، ن. بونگرز، اف. دالپونته، ام. Van Ewijk، KY; فورستر، دی. معادلات آلومتریک Haeni، MJGCB برای ادغام تصاویر سنجش از دور در برنامه های نظارت بر جنگل. گلوب. چانگ. Biol. 2017 ، 23 ، 177-190. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. Haack، BN Landsat: ابزاری برای توسعه. توسعه دهنده جهانی 1982 ، 10 ، 899-909. [ Google Scholar ] [ CrossRef ]
  6. ترنر، دبلیو. روندینی، سی. پتورلی، ن. مورا، بی. لیدنر، AK; Szantoi، Z. بوکانان، جی. دچ، اس. دوایر، جی. هرولد، ام. داده‌های ماهواره‌ای رایگان و بدون دسترسی کلیدی برای حفاظت از تنوع زیستی هستند. Biol. حفظ کنید. 2015 ، 182 ، 173-176. [ Google Scholar ] [ CrossRef ]
  7. دنیز، جی. هوبرت-موی، ال. کورنی، اس. بتبدر، جی. Pottier, E. شناسایی کاربری زمستانه در مناظر معتدل کشاورزی بر اساس Sentinel-1 و 2 Times-Series. در مجموعه مقالات IGARSS 2018-2018، IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، والنسیا، اسپانیا، 22 تا 27 ژوئیه 2018؛ صص 8271-8274. [ Google Scholar ]
  8. ایمیتزر، ام. وولو، اف. آتزبرگر، سی. اولین تجربه با داده های Sentinel-2 برای طبقه بندی گیاهان و گونه های درختی در اروپای مرکزی. Remote Sens. 2016 , 8 , 166. [ Google Scholar ] [ CrossRef ]
  9. ESA Sentinel-2 Missions-Sentinel Online ; ESA: پاریس، فرانسه، 2014. [ Google Scholar ]
  10. لو، دی. Weng, G. بررسی روش‌ها و تکنیک‌های طبقه‌بندی تصویر برای بهبود عملکرد طبقه‌بندی. بین المللی J. Remote Sens. 2004 , 28 , 823-870. [ Google Scholar ] [ CrossRef ]
  11. روش‌های تئوری سیگنال DA در سنجش از دور چند طیفی، Landgrebe . جان وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  12. چن، KS; Tzeno، YC; چن، سی اف. Kao، WI طبقه‌بندی پوشش زمین تصاویر چندطیفی با استفاده از شبکه عصبی یادگیری پویا. فتوگرام مهندس Remote Sens. 1995 , 81 , 403-408. [ Google Scholar ]
  13. طبقه بندی Foody، GM نظارت شده توسط شبکه های عصبی MLP و RBN با و بدون مجموعه تعریف شده جامعی از کلاس ها. بین المللی J. Remote Sens. 2004 ، 5 ، 3091-3104. [ Google Scholar ] [ CrossRef ]
  14. هوانگ، وای؛ لیپمن، شبکه عصبی RP و طبقه‌بندی‌کننده‌های سنتی. در سیستم های پردازش اطلاعات عصبی ; موسسه فیزیک آمریکا: کالج پارک، MD، ایالات متحده آمریکا، 1988; صص 387-396. [ Google Scholar ]
  15. ابرلین، اس جی; یتس، جی. Majani, E. تجزیه و تحلیل چندحسگر سلسله مراتبی برای اکتشاف رباتیک. در مجموعه مقالات SPIE 1388، روبات‌های متحرک، پیشرفت‌ها در سیستم‌های رباتیک هوشمند، بوستون، MA، ایالات متحده آمریکا، 4–9 نوامبر 1990. جلد 578، ص 578–586. [ Google Scholar ]
  16. کلیرمنز، ا. سروان- شرایبر، دی. McClelland، JL Finite State Automata و Simple Recurrent Networks. محاسبات عصبی 1989 ، 1 ، 372-381. [ Google Scholar ] [ CrossRef ]
  17. Decatur، SE کاربرد شبکه های عصبی در طبقه بندی زمین. در مجموعه مقالات کنفرانس مشترک بین المللی در مورد شبکه های عصبی، واشنگتن، دی سی، ایالات متحده آمریکا، 18-22 ژوئن 1989. جلد 1، ص 283-288. [ Google Scholar ]
  18. کولکارنی، م. مدل‌های شبکه عصبی فازی لولا، K. برای طبقه‌بندی نظارت شده: تحلیل تصویر چندطیفی. Geocarto Int. 1999 ، 14 ، 42-51. [ Google Scholar ] [ CrossRef ]
  19. لاپراد، RH تقسیم بندی و ادغام عکس های هوایی. محاسبه کنید. Vis. نمودار. فرآیند تصویر 1988 ، 44 ، 77-86. [ Google Scholar ] [ CrossRef ]
  20. هاتاوی، RJ; Bezdek, JC نتایج همگرایی اخیر برای الگوریتم های خوشه بندی c-means فازی. J. Classification 1988 , 5 , 237-247. [ Google Scholar ] [ CrossRef ]
  21. پال، SK; De، RK; بساک، جی. ارزیابی ویژگی بدون نظارت: یک رویکرد عصبی فازی. IEEE Trans. شبکه عصبی 2000 ، 11 ، 366-376. [ Google Scholar ] [ CrossRef ]
  22. کولکارنی، ع. مک‌کاسلین، اس. کشف دانش از تصاویر ماهواره‌ای چندطیفی. IEEE Geosci. سنسور از راه دور Lett. 2004 ، 1 ، 246-250. [ Google Scholar ] [ CrossRef ]
  23. مونتراکیس، جی. من، جی. Ogole, C. پشتیبانی از ماشین‌های بردار در سنجش از راه دور: بررسی. بین المللی J. Photogramm. Remote Sens. 2011 ، 60 ، 247-259. [ Google Scholar ] [ CrossRef ]
  24. مانترو، پی. موزر، جی. Serpico، SB طبقه بندی نیمه نظارت شده تصاویر سنجش از دور از طریق تخمین چگالی احتمال مبتنی بر SVM. IEEE Trans. Geosci. Remote Sens. 2005 ، 43 ، 559-570. [ Google Scholar ] [ CrossRef ]
  25. میترا، پ. شانکار، BU; پال، SK بخش بندی تصاویر سنجش از راه دور چندطیفی با استفاده از ماشین های بردار پشتیبان فعال. تشخیص الگو Lett. 2004 ، 25 ، 1067-1074. [ Google Scholar ] [ CrossRef ]
  26. هانسن، RM; دبیه، ر. DeFries, R. طبقه بندی درختان: جایگزینی برای طبقه بندی کننده های سنتی پوشش زمین. بین المللی J. Remote Sens. 1990 , 17 , 1075-1081. [ Google Scholar ] [ CrossRef ]
  27. Ghose، MK; پرادان، ر. Ghose، S. طبقه بندی درخت تصمیم داده های ماهواره ای سنجش از دور با استفاده از ماتریس تفکیک پذیری طیفی. بین المللی J. Adv. محاسبه کنید. علمی Appl. 2010 ، 1 ، 93-101. [ Google Scholar ]
  28. بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
  29. Gislason، PO; بندیکتسون، جی. Sveinsson، JR جنگل تصادفی برای طبقه بندی پوشش زمین. تشخیص الگو Lett. 2006 ، 27 ، 294-300. [ Google Scholar ] [ CrossRef ]
  30. گیتا، وی. پونیتا، ا. ابرنا، م. آکشایا، م. ایلاکیا، س. جانانی، AP یک پیش‌بینی مؤثر محصول با استفاده از الگوریتم جنگل تصادفی. در مجموعه مقالات کنفرانس بین المللی 2020 در سیستم، محاسبات، اتوماسیون و شبکه (ICSCAN)، پوندیچری، هند، 3 تا 4 ژوئیه 2020؛ صص 1-5. [ Google Scholar ] [ CrossRef ]
  31. پلتیه، سی. والرو، اس. اینگلادا، جی. قهرمان، ن. ددیو، جی. ارزیابی استحکام جنگل‌های تصادفی برای نقشه‌برداری از پوشش زمین با سری‌های زمانی تصاویر ماهواره‌ای با وضوح بالا در مناطق بزرگ. سنسور از راه دور محیط. 2016 ، 187 ، 156-168. [ Google Scholar ] [ CrossRef ]
  32. بلژیک، م. Drăgu¸t، L. جنگل تصادفی در سنجش از دور: مروری بر کاربردها و مسیرهای آینده. ISPRS J. Photogramm. Remote Sens. 2016 ، 114 ، 24–31. [ Google Scholar ] [ CrossRef ]
  33. پالاگانی، وی. کهندلوال، وی. چاندرا، بی. Udutalapally، V. داس، دی. Mohanty، SP dCrop: چارچوبی مبتنی بر یادگیری عمیق برای پیش‌بینی دقیق بیماری‌های محصولات کشاورزی در کشاورزی هوشمند. در مجموعه مقالات سمپوزیوم بین المللی IEEE 2019 در سیستم های الکترونیک هوشمند (iSES) (قبلا iNiS)، رورکلا، هند، 16 تا 18 دسامبر 2019؛ ص 29-33. [ Google Scholar ] [ CrossRef ]
  34. رودریگز-گالیانو، وی اف. قیمیر، بی. روگان، جی. چیکا اولمو، م. Rigol-Sanchez، JP ارزیابی اثربخشی طبقه‌بندی‌کننده تصادفی جنگل برای طبقه‌بندی پوشش زمین. ISPRS J. Photogramm. Remote Sens. 2012 ، 67 ، 93-104. [ Google Scholar ] [ CrossRef ]
  35. ما، ال. لی، ام. ما، ایکس. چنگ، ال. دو، پ. Liu, Y. مروری بر طبقه‌بندی تصویر پوشش زمین مبتنی بر شیء نظارت شده. ISPRS J. Photogramm. Remote Sens. 2017 , 130 , 277–2933. [ Google Scholar ] [ CrossRef ]
  36. Malenovský، Z. روت، اچ. Cihlar، J. Schaepman، ME; گارسیا سانتوس، جی. فرناندس، آر. Berger، M. Sentinels برای علم: پتانسیل ماموریت های Sentinel-1، -2، و -3 برای مشاهدات علمی اقیانوس، کرایوسفر، و زمین. سنسور از راه دور محیط. 2012 ، 120 ، 91-101. [ Google Scholar ] [ CrossRef ]
  37. کورهونن، ال. پاکالن، پی. Rautiainen، M. مقایسه Sentinel-2 و Landsat 8 در تخمین پوشش تاج پوشش جنگل های شمالی و شاخص سطح برگ. سنسور از راه دور محیط. 2017 ، 195 ، 259-274. [ Google Scholar ] [ CrossRef ]
  38. پسری، م. کوربن، سی. جولیا، ا. فلورچیک، ای جی؛ سیریس، وی. Soille, P. ارزیابی ارزش افزوده Sentinel-2 برای تشخیص مناطق ساخته شده. Remote Sens. 2016 , 8 , 299. [ Google Scholar ] [ CrossRef ]
  39. دروش، ام. دل بلو، U. کارلیر، اس. کالین، او. فرناندز، وی. گاسکون، اف. هورش، بی. ایزولا، سی. لابرینتی، پ. مارتیمورت، پی. و همکاران Sentinel-2: ماموریت نوری با وضوح بالا ESA برای خدمات عملیاتی GMES. سنسور از راه دور محیط. 2012 ، 120 ، 25-36. [ Google Scholar ] [ CrossRef ]
  40. آرشیو USGS EROS-Sentinel-2-مقایسه Sentinel-2 و Landsat. در دسترس آنلاین: https://www.usgs.gov/centers/eros/science/usgs-eros-archive-sentinel-2-comparison-sentinel-2-and-landsat (در 26 اکتبر 2022 قابل دسترسی است).
  41. دراکوناکیس، GI; تساگاتاکیس، جی. فوتیادو، ک. Tsakalides، P. OmbriaNet—نقشه یابی سیل نظارت شده از طریق شبکه های عصبی کانولوشنال با استفاده از ترکیب داده چند زمانی Sentinel-1 و Sentinel-2. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2022 , 15 , 2341–2356. [ Google Scholar ] [ CrossRef ]
  42. هافنر، اس. ناستی، آ. عزیزپور، ح. Ban، Y. Sentinel-1 و Sentinel-2 Data Fusion برای تشخیص تغییر شهری با استفاده از U-Net جریان دوگانه. IEEE Geosci. سنسور از راه دور Lett. 2022 ، 19 ، 1-5. [ Google Scholar ] [ CrossRef ]
  43. چن، ی. Bruzzone، L. خود نظارتی SAR-Optical Data Fusion تصاویر Sentinel-1/-2. IEEE Trans. Geosci. Remote Sens. 2022 ، 60 ، 1-11. [ Google Scholar ] [ CrossRef ]
  44. لی، ز. ژانگ، هنگ کنگ؛ روی، DP; یان، ال. Huang, H. تیز کردن باندهای 10 و 20 متری Sentinel-2 به Planetscope-0 با وضوح 3 متر. Remote Sens. 2020 , 12 , 2406. [ Google Scholar ] [ CrossRef ]
  45. کلریسی، ن. Calderon، CAV; Posada، JM Fusion داده های Sentinel-1A و Sentinel-2A برای نقشه برداری پوشش زمین: مطالعه موردی در منطقه ماگدالنا پایین، کلمبیا. J. Maps 2017 , 13 , 718–726. [ Google Scholar ] [ CrossRef ]
  46. ممکن است.؛ چن، اچ. ژائو، جی. وانگ، ز. وانگ، دی. همجوشی شاخص طیفی برای وارونگی شوری خاک شور با استفاده از تصاویر Sentinel-2A و UAV در یک منطقه ساحلی. دسترسی IEEE 2020 ، 8 ، 159595–159608. [ Google Scholar ] [ CrossRef ]
  47. آئو، ز. سان، ی. Xin، Q. ساخت سری زمانی NDVI 10 متری از تصاویر Landsat 8 و Sentinel 2 با استفاده از شبکه های عصبی کانولوشنال. IEEE Geosci. سنسور از راه دور Lett. 2020 ، 18 ، 1461-1465. [ Google Scholar ] [ CrossRef ]
  48. شائو، ز. کای، جی. فو، پی. هو، ال. Lui, T. ادغام تصاویر Landsat-8 و Sentinel-2 مبتنی بر یادگیری عمیق برای یک محصول بازتاب سطح هماهنگ. سنسور از راه دور محیط. 2019 ، 235 ، 111425. [ Google Scholar ] [ CrossRef ]
  49. سیگوردسون، جی. آرمانسون، SE; Ulfarsson، MO; تصاویر ماهواره ای Sveinsson، JR Fusing Sentinel-2 و Landsat 8 با استفاده از روش مبتنی بر مدل. Remote Sens. 2022 , 14 , 3224. [ Google Scholar ] [ CrossRef ]
  50. اولوفسون، پی. فودی، جنرال موتورز; هرولد، ام. Stehman، SV; Woodcock، CE; Wulder، MA شیوه های خوب برای تخمین مساحت و ارزیابی دقت تغییر زمین. سنسور از راه دور محیط. 2014 ، 148 ، 42-57. [ Google Scholar ] [ CrossRef ]
  51. Congedo, Luca, Semi-Automatic Classification Plugin: ابزار پایتون برای دانلود و پردازش تصاویر سنجش از دور در QGIS. J. نرم افزار منبع باز. 2021 , 6 , 3172. [ CrossRef ]
  52. احمد، ع. احمد، اس آر. گیلانی، ح. طارق، ع. ژائو، ن. اسلم، RW; ممتاز، اف. ترکیبی از مطالعات ارزیابی فضایی جنگل با استفاده از داده ها و تکنیک های سنجش از دور در پاکستان. Forests 2021 , 12 , 1211. [ Google Scholar ] [ CrossRef ]
Ijgi 12 00009 g001 550
شکل 1. نقشه جغرافیایی پاکستان و منطقه مورد مطالعه محصور در مستطیل قرمز.
Ijgi 12 00009 g002 550
شکل 2. فلوچارتی که نحوه پیوند QGIS و MATLAB را برای وضوح تصویر توضیح می دهد.
Ijgi 12 00009 g003 550
شکل 3. نمودار جریان نشان دهنده ارزیابی دقت داده های طبقه بندی شده است.
Ijgi 12 00009 g004 550
شکل 4. نمونه های زیر منطقه که روی تصویر طبقه بندی شده برای جمع آوری داده های پهپاد مشخص شده اند.
Ijgi 12 00009 g005a 550 Ijgi 12 00009 g005b 550
شکل 5. نمونه مجموعه تصاویر زمینی زیر ناحیه با استفاده از پهپاد ( a ) هنگامی که پهپاد در نقطه C عمودی است و دوربین به صورت عمودی پایین است ( b ) زمانی که پهپاد و دوربین در زاویه ρ از نقطه C قرار دارند .
Ijgi 12 00009 g006 550
شکل 6. فلوچارت نحوه جمع آوری و پردازش داده های زمینی با استفاده از پهپاد را توضیح می دهد.
Ijgi 12 00009 g007a 550 Ijgi 12 00009 g007b 550
شکل 7. تصاویر واقعی به دست آمده توسط پهپاد برای نمونه های داده های زمینی ( الف ) نمونه 1 ( ب ) نمونه 2 ( ج ) نمونه 3 ( د ) نمونه 4.
Ijgi 12 00009 g008 550
شکل 8. ( الف ) سمت چپ : باند Sentinel-2 1 اصلی، راست : Sentinel-2 band-1 تصویر شارپ شده. ( ب ) سمت چپ : Landsat 8 band-1 اصلی، راست : Landsat 8 band-1 تصویر شارپ شده.
Ijgi 12 00009 g009 550
شکل 9. تصاویر طبقه بندی شده برای سال های ( الف ) 2016، ( ب ) 2018، ( ج ) 2020، ( د ) 2022.
Ijgi 12 00009 g010 550
شکل 10. تغییر نقشه برای سال های 2016-2022.
Ijgi 12 00009 g011 550
شکل 11. سطح کلاس های متقاطع ٪ محاسبه شده از نقشه تغییر 2016-2022.
Ijgi 12 00009 g012a 550 Ijgi 12 00009 g012b 550
شکل 12. ( الف ) چپ : نمونه طبقه‌بندی شده زیر منطقه 1، راست : تصویر واقعی از نمونه زیر منطقه 1، ( ب ) چپ : نمونه طبقه‌بندی شده زیر منطقه 2، راست : تصویر واقعی از زیر منطقه نمونه 2، ( ج ) سمت چپ : نمونه طبقه‌بندی‌شده زیر منطقه 3، راست : تصویر واقعی از زیر منطقه نمونه 3، ( د ) سمت چپ : زیر منطقه طبقه‌بندی‌شده نمونه 4، راست : تصویر واقعی زیر منطقه نمونه 4.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید