طبقه بندی سری زمانی کاربری اراضی با استفاده از شاخص های طیفی، تصاویر سنتینل ۲ و نمونه های آموزشی متغیر در بستر گوگل ارت انجین (GEE)

مقدمه سنجش از راه دور به ابزاری ارزشمند جهت تهیه داده ­های یکپارچه مکانی در مورد پوشش و کاربری زمین در مقیاس­ های زمانی و مکانی تبدیل شده است. یکی از چالش ­های اصلی در نقشه ­برداری چند-زمانه پوشش و کاربری زمین، در دسترس بودن و یکپارچگی داده ­های آموزشی برای الگوریتم­ های طبقه بندی نظارت شده است. جمع ­آوری نمونه ­های آموزشی برای هر کلاس پوشش و کاربری زمین در طول دوره­ های زمانی مختلف می ­تواند زمان بر و از لحاظ میدانی به ­ویژه در محیط­ های در حال تغییر سریع، چالش برانگیز باشد. این مسئله همچنین با امکان تغییرات طیفی و فنولوژیکی در ویژگی های پوشش زمین در طول زمان تشدید می­ شود و از این حیث می ­تواند قابلیت انتقال نمونه­ های آموزشی را کاهش دهد. مفهوم «مهاجرت یا انتقال» نمونه ­های آموزشی از یک سال مرجع به سال­ های هدف (مقصد) به عنوان راهی برای غلبه بر محدودیت داده­ های آموزشی مورد بررسی قرار گرفته است. در این میان، استفاده از سامانه گوگل ارت انجین (GEE) نقشه برداری چندزمانه پوشش و کاربری زمین را تسهیل کرده است. توانایی GEE در ادغام منابع داده مختلف، از جمله تصاویر Sentinel-۲ و طیف گسترده­ای از شاخص های طیفی، به محققان امکان توسعه کاربست طبقه­ بندی پوشش و کاربری زمین قوی و مقیاس ­پذیر را داده است. رصد تغییرات در استفاده و پوشش زمین در طول زمان برای درک و مدیریت محیط زیست حیاتی است. با این حال، هنگامی که محدودیت داده­ های آموزشی برای دوره­ های زمانی مختلف وجود داشته باشد، می تواند چالش برانگیز باشد. پژوهش حاضر رویکردی نوآورانه برای طبقه­ بندی تصاویر ماهواره­ای Sentinel-۲ در سال­ های مختلف با استفاده از مجموعه  نمونه­ های آموزشی مرجع است. مواد و روش ها در پژوهش حاضر، کاربست نوآورانه ­ای با استفاده از نمونه­ های آموزشی متغیر از یک سال مرجع (تصاویر Sentinal-۲ سال ۲۰۱۹)، همراه با باندهای تصاویر Sentinel-۲ و شاخص های طیفی، برای طبقه ­بندی پوشش و کاربری زمین در منطقه مانگرو خوران به عنوان منطقه ای پویا و مهم اکولوژیکی مورد بررسی قرار گرفت. در این راستا، کاربرد الگوریتم های یادگیری ماشین در چارچوب سامانه GEE برای دستیابی به دقت طبقه­بندی بالا و پایش تغییرات پوشش زمین در طول زمان بررسی شد. در این پژوهش، تصاویر ماهواره ای Sentinel-۲ پوشش دهنده منطقه مورد مطالعه برای سال های هدف ۲۰۲۲ و ۲۰۲۴ و سال مرجع ۲۰۱۹ در GEE فراخوانی شدند. سپس جمع ­آوری داده های حقیقت زمینی شامل موقعیت و طبقه بندی انواع مختلف پوشش زمین برای سال مرجع با استفاده از نقشه کاربری اراضی سازمان فضایی اروپا جمع آوری شد. در ادامه، داده های حقیقت زمینی با کیفیت بالا و نمونه­ های تصویری متناظر آن ها از سال مرجع (۲۰۱۹) به عنوان نمونه های آموزشی به تصاویر سال هدف با الگوریتم فاصله زاویه طیفی (SAD) منتقل شدند. همچنین الگوریتم­ های طبقه­ بندی RF، GBT و CART برای طبقه بندی تصاویر سال هدف با استفاده از نمونه های آموزشی متغیر  به کار گرفته شدند. تصاویر طبقه ­بندی شده با استفاده از معیارهای مختلف صحت، مانند دقت کلی، ضریب کاپا، دقت تولیدکننده و دقت کاربر ارزیابی و خطای گماشته شده و حذف شده ارزیابی شدند. در نهایت اهمیت باندهای طیفی مختلف Sentinel-۲ و شاخص­های طیفی در فرآیند طبقه ­بندی تجزیه و تحلیل شد تا مناسب ترین ویژگی ­ها برای تفکیک پدیده­ های مختلف منطقه مورد مطالعه شناسایی شوند. نتایج و بحث نتایج پژوهش حاضر نشان داد از میان الگوریتم های طبقه بندی، بیشترین میزان دقت برای صحت کلی و کاپا تصاویر طبقه بندی شده سال ۲۰۲۴ و ۲۰۲۲، مربوط به طبقه بندی جنگل تصادفی به ترتیب  با دقت ۹۱۰۴/۰ و ۸۷۴۲/۰، ۸۹۵۵/۰ و ۸۵۷۰/۰ بوده است. همچنین نتایج نشان داد مساحت جنگل­ های حرا در طول دوره بررسی از ۷۴/۷۵۳۰ هکتار به ۵۱/۶۵۴۶ تنزل داشته است، چیزی در حدود ۲۳/۹۸۴ هکتار کاهش و به عبارتی ۱۶۴ هکتار کاهش سطح جنگل­ های حرا به ازای هر سال. مساحت پهنه­ های مسکونی و عرصه ­های ساخت و ساز از ۵۲۵۲/۷۲ هکتار در سال ۲۰۱۹ به ۴۸۱۵/۹۶  در سال ۲۰۲۴ رسیده است که رشد شتابان این کاربری در دو سال آخر دیده می­ شود. نتیجه اشتراکات و جمع­ بندی روش ­های مختلف طبقه ­بندی در سنوات مختلف و اهمیت­ نسبی باندها و شاخص ­ها نشان داد که شاخص ­های EMVI و mNDWI  بدلیل فراگیری پدیده های جنگل­ های مانگرو و نیز پهنه ­های آبی در محدوده مورد مطالعه غالبیت بیشتری از خود نشان داده ­اند. لذا در ترکیبات باندی جهت تفکیک پدیده­ های مختلف استفاده از باندهای سبز، قرمز، مادون قرمز نزدیک و از میان شاخص ­ها، شاخص مانگرو و نیز شاخص بهینه پهنه­ های آبی برای محدوده مطالعاتی مناسب ­ترین تشخیص داده شدند و برای عرصه ­های مشابه در جنوب ایران و محدوده های مانگرو پیشنهاد می­ شوند. در پژوهش حاضر با انتقال نقاط حقیقت زمینی سال منبع به تصاویر متناظر آن ها به عنوان نمونه ­های آموزشی در تصاویر سال هدف، از یک کاربست ساده و موثر برای طبقه ­بندی تصاویر ماهواره­ای در پلتفرم GEE استفاده شد که قابلیت تسری به سایر مناطق را دارد. نتیجه گیری به طور کلی، پژوهش حاضر پتانسیل استفاده از نمونه های آموزشی متغیر و الگوریتم ­های پیشرفته یادگیری ماشین مانند جنگل تصادفی، درخت گرادیان تقویت شده و درخت رگرسیون و طبقه­ بندی و کاربرد شاخص­ های طیفی به عنوان داده­ های کمکی را برای طبقه­ بندی دقیق تصاویر ماهواره­ای چند-زمانه نشان می­ دهد. توسعه ابزارهای مکانی، از جمله پلتفرم آنلاین GEE ، برای مدیریت به روز کاربری ­های زمین، از جمله مناطق تالابی و مانگرو، ضروری است. در پزوهش حاضر، نمونه­ های آموزشی با کیفیت بالا از سال مرجع به سال هدف (مهاجرت نمونه های آموزشی از زمان مشخص به سایر زمان­ ها) منتقل شدند و در انتها دقت طبقه­ بندی بالایی با استفاده از الگوریتم طبقه بندی جنگل تصادفی نسبت به سایر روش­ ها مانند رگرسیون تقویت­شده یا درختان رگرسیون و طبقه ­بندی به دست آمد. این روش راه حل بالقوه­ای در مطالعات چند-زمانه کاربری زمین و کمبود یا ناکافی بودن نمونه های آموزشی در سیستم GEE است. در این راستا پیشنهاد می­ شود که در مطالعات آینده، از ترکیبی از روش های فاصله اقلیدسی (ED)، فاصله زاویه طیفی (SAD) و خوشه ­بندی K-means برای تولید نمونه­ های آموزشی متغیر استفاده شود و نتایج طبقه ­بندی تصویر با استفاده از این روش ­ها مقایسه و تحلیل شود. این رویکرد راه حل امیدوارکننده ­ای برای تولید نقشه ­های روزآمد کاربری/ پوشش زمین، حتی در محیط های چالش برانگیز با داده­های آموزشی محدود، ارائه می دهد. نتایج به دست آمده از این مطالعه می ­تواند جهت­دهی مطالعات آتی را برای پایش پوشش اراضی، مدیریت و حفاظت موثر از منابع طبیعی ارزشمند، مانند جنگل های مانگرو را در سایر مناطق، هدایت کند.

کلیدواژه ها:

Pixel-based classification algorithms ، Relative importance ، Spectral Angle Distance ، Land use ، Mangrove ، Migrated training samples. ، الگوریتم های طبقه بندی پیکسل پایه ، اهمیت نسبی ، فاصله زاویه طیفی ، کاربری اراضی ، مانگرو ، نمونه های آموزشی متغیر