مقايسه دقت داده هاي ماهواره‌هاي لندست 8 و سنتينل 2 در طبقه بندي كاربري زمين

Comparison of Landsat 8 and Sentinel 2 Satellite Data Accuracy for Land Use Classification

اين پژوهش با هدف تعيين دقت مجموعه داده­ هاي ماهواره لندست 8 و سنتينل 2 بر مبناي الگوريتم هاي احتمال حداكثر، ماشين بردار پشتيبان و شبكه عصبي در تهيه نقشه كاربري/پوشش زمين حوزه آبخيز كبگيان در استان كهگيلويه و بويراحمد انجام شد. بدين منظور، تمامي اصلاحات، آماده­ سازي داده، ايجاد مجموعه داده، طبقه ­بندي و تجزيه‌وتحليل‌ها، استخراج نقشه هاي موردنظر و صحت­ سنجي با استفاده از نرم­ افزارهاي ENVI® 5.3، ArcGIS® 10.5، Google Earth Pro و Excel 2016 انجام شد. نتايج نشان داد بيش­ترين دقت كل و ضريب كاپا براي ماهواره لندست 8 با مقدار به­ترتيب 74/18% و 0/69 مربوط به الگوريتم احتمال حداكثر و براي سنتينل 2 با مقدار به­ترتيب، 72/84% و 0/67 مربوط به الگوريتم شبكه عصبي است. دقت كل الگوريتم ­ها در تهيه نقشه كاربري حوضه با استفاده از داده ­هاي لندست 8 به‌صورت احتمال حداكثر > ماشين بردار پشتيبان > شبكه عصبي و با استفاده از داده­ هاي سنتينل 2 به‌صورت شبكه عصبي > احتمال حداكثر > ماشين بردار پشتيبان بود. چنانچه تعيين كاربري اراضي ويژه­اي مانند مراتع حوضه، هدف اصلي باشد از الگوريتم ماشين بردار پشتيبان استفاده شود؛ بدين ترتيب، مساحت هشت كاربري حوزه آبخيز كبگيان عبارت است از: زراعت 1342، مسكوني 1356، صخره 3579، جنگل 23289، پيكره آبي 407، اراضي رها شده 9571، باغ 3139 و مرتع ha 54125. بنابراين، با توجه به نوع كاربري، نوع داده ماهواره­اي در دسترس و هدف پژوهش، اولويت و تقدم استفاده از الگوريتم ­ها متفاوت خواهد بود و بر مبناي آن، بايد الگوريتم مناسب انتخاب شود.

The aim of this study was to determine the accuracy of Landsat 8 and Sentinel 2 satellite data sets based on Maximum Likelihood, Support Vector Machine, Neural Network algorithms for mapping the LU/LC of Kobgian watershed in Kohgiluyeh and Boyer-Ahmad Province. For this purpose, corrections, data preparation, data set creation, classification and analysis, mapping and verification were done using ENVI® 5.3, ArcGIS® 10.5, Google Earth Pro and Excel 2016 software. The results showed that the highest total accuracy and kappa coefficient for Landsat 8 and Sentinel 2 satellites belongs to the maximum likelihood algorithm with a value of 74.18% and 0.69 and neural network algorithm with a value of 72.84% and 0.67, respectively. The overall accuracy order of the algorithms for mapping LU/LC the watershed using Landsat 8 and sentinel 2 data was as maximum likelihood > support vector machine > neural network and using data was as neural network> maximum likelihood > support vector machine, respectively. The accuracy of the algorithms indicated that if a specific LU/LC is the main goal such as basin rangelands, the support vector machine algorithm should be used. The area of eight classes of Kabgian watershed is: agriculture 1342, residential 1356, rock 3579, forest 23289, water body 407, abandoned lands 9571, garden 3139 and pasture 54125 ha. Therefore, depending on the type of LU/LC, the type of satellite data available, and the purpose of study, the priority of using algorithms will be different and based on the desired factor, suitable algorithm should be selected.