نوع مقاله : مقاله پژوهشی

نویسندگان

• ناصر احمدی ثانی ¹
• سهراب مرادی ²

¹ دانشیار دانشکده کشاورزی و منابع طبیعی، واحد مهاباد، دانشگاه آزاد اسلامی، مهاباد، ایران.

² استادیار گروه توسعه کشاورزی و منابع طبیعی، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

چکیده

طبقه‌بندی کاربری/ پوشش اراضی برای برنامه‌ریزی در مقیاس‌های مکانی مختلف در راستای پایداری محیط‌زیست اهمیت بسیاری دارد. نظارت بر تغییرات کاربری/ پوشش اراضی بر خدمات و محصولات اکوسیستم، مسائل اجتماعی – اقتصادی، تغییر اقلیم، منابع طبیعی و تنوع زیستی تأثیر می‌گذارد. این پژوهش با هدف ارزیابی و مقایسه سه الگوریتم رایج یادگیری ماشین (درخت طبقه‌بندی و رگرسیون، جنگل تصادفی و ماشین بردار پشتیبان) برای طبقه‌بندی کاربری/ پوشش اراضی در جنوب دریاچه ارومیه انجام شد. در این رابطه از تصاویر سال 2023 ماهواره Sentinel-2A در بستر گوگل ارث انجین استفاده شد. داده‌های نمونه در قالب دو مجموعه داده‌های تعلیمی (70 درصد) و داده‌های آزمون (30 درصد) برای انجام طبقه‌بندی استفاده شد. صحت نقشه‌های حاصل‌ با استفاده از صحت کلی و ضریب کاپا ارزیابی شد. بر اساس نقشه کاربری/ پوشش اراضی، هفت کاربری پهنه‌های آبی، اراضی شور و سنگی، اراضی زراعی آبی، اراضی زراعی دیم، مناطق انسان‌ساخت، باغات و مراتع شناسایی شد. صحت کلی برای الگوریتم‌های درخت طبقه‌بندی و رگرسیون (CART)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) به ترتیب 86، 89 و 84 درصد و کاپا به ترتیب برابر 83/0، 87/0 و 80/0 حاصل شد. نتایج نشان داد که الگوریتم جنگل تصادفی از سایر الگوریتم‌ها بهتر عمل می‌کند. بنابراین این پژوهش کارآیی و قابلیت بالاتر الگوریتم طبقه‌بندی جنگل تصادفی را در مقایسه با سایر الگوریتم‌ها در تهیه نقشه کاربری/ پوشش اراضی اثبات می‌کند. همچنین بر لزوم انجام مطالعات مشابه با الگوریتم‌های پیشرفته‌تر همراه با داده‌های جانبی به‌ویژه در حوضه آبریز دریاچه ارومیه در راستای نیل به توسعه پایدار تأکید می‌کند.

کلیدواژه‌ها

• الگوریتم‌های یادگیری ماشین
• داده‌های سنتینل 2
• کاربری / پوشش اراضی

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Comparison and evaluation of different machine learning algorithms in land use/cover classification using satellite data (Case study: South of Lake Urmia)

نویسندگان [English]

• Naser Ahmadi Sani ¹
• Sohrab Moradi ²

¹ Associate Professor, Faculty of Agricultural and Natural Resources, Mahabad Branch, Islamic Azad University, Mahabad, Iran.

² Assistant Prof., Department of Agricultural & Natural Resources Development, Faculty of Engineering, Payame Noor University, Tehran, I.R. Iran.

چکیده [English]

Objective: Land use/cover has great importance for planning at different spatial scales in order to environmental sustainability. Land use/cover changes affects ecosystem services and products, socio-economic issues, climate change, natural resource and biodiversity. This study aimed to evaluate and compare different machine learning algorithms including classification and regression tree (CART), random forest (RF) and support vector machine (SVM) for land use/cover mapping in the south of Lake Urmia.
Methods: Sentinel-2A satellite data from 2023 were used within Google Earth Engine platform. Classification was performed using sample points with 70% for training and 30% for validation. The accuracy assessment was evaluated using the overall accuracy and kappa coefficient.
Results: Based on the land use / cover map, seven category were identified: water bodies, saline and rocky lands, irrigated farming, dry farming, built up areas, orchards, and ranges. The RF algorithm showed the highest overall accuracy (89%) while CART and SVM follow RF with 83% and 80%.
Conclusions: This study proved that RF is the best algorithm for optimal land use/cover classification, particularly in the study area. It also emphasizes the need to conduct similar studies with more advanced algorithms along with secondary data, especially in the Lake Urmia watershed, in order to achieve sustainable development.

کلیدواژه‌ها [English]

• Land use/cover
• Machine learning algorithms
• Sentinel 2 data