کاربرد تصاویر ماهواره ای Sentinel-۲ و الگوریتم های یادگیری ماشین در تفکیک پوشش زمین و نواحی شهری

پایش و طبقه بندی دقیق پوشش زمین، نقش مهمی در مدیریت پایدار منابع طبیعی، برنامه ریزی شهری و ارزیابی های محیط زیستی دارد. در این پژوهش، با استفاده از تصاویر ماهواره ای Sentinel-۲ و الگوریتم های یادگیری ماشین شامل جنگل تصادفی (RF) و درخت های گرادیان تقویت شده (GBT)، پوشش زمین منطقه مورد مطالعه در پنج کلاس «زمین کشاورزی»، «باغ و جنگل»، «شهری و آب»، «بایر» و «سایر» طبقه بندی شد. داده ها پس از پیش پردازش در پلتفرم Google Earth Engine با کمک شاخص های طیفی و فنولوژیکی بهبود یافتند. مدل ها با داده های میدانی آموزش داده شده و عملکرد آن ها با معیارهایی مانند دقت کلی، ضریب کاپا، دقت تولیدکننده و دقت کاربر ارزیابی شد. نتایج نشان داد الگوریتم RF با دقت کلی ۲۱/۹۴ درصد و ضریب کاپای ۹۲۲/۰ عملکرد بهتری نسبت به GBT با دقت کلی ۷۸/۸۹ درصد و ضریب کاپای ۸۶۳/۰ داشت. همچنین نقشه های تولیدشده توسط RF انسجام فضایی و تفکیک پذیری بهتری نشان دادند. این یافته ها نشان می دهد که ترکیب داده های سنجش از دور و الگوریتم های یادگیری ماشین رویکردی موثر برای طبقه بندی پوشش زمین در مقیاس منطقه ای است و می تواند به عنوان ابزاری کاربردی در تحلیل های محیطی، برنامه ریزی کاربری زمین و توسعه پایدار شهری مورد استفاده قرار گیرد.

کلیدواژه ها:

Sentinel-۲ ، یادگیری ماشین ، سنجش از دور ، طبقه بندی ، Google Earth Engine