بهبود دقت طبقه بندی مناطق شهری با تلفیق تصاویر سنتینل-۱ و سنتینل-۲ و الگوریتم های یادگیری ماشین

رشد شهری به عنوان یکی از پیامدهای اصلی افزایش جمعیت و توسعه اقتصادی، فرایندی پویا و پیچیده است که منجر به گسترش بی رویه مناطق شهری به سمت اراضی طبیعی پیرامون می شود. این پدیده علاوه بر تغییرات شدید در کاربری اراضی، پیامدهای زیست محیطی متعددی از جمله تخریب زیست گاه ها، کاهش پوشش گیاهی، افزایش آلودگی و ناپایداری اکولوژیکی را به همراه دارد. پایش دقیق و مستمر این تغییرات، نقش مهمی در برنامه ریزی شهری، مدیریت بهینه منابع و توسعه پایدار شهری ایفا می کند. امروزه استفاده از تصاویر ماهواره ای به ویژه داده های چندمنبعی و استفاده از الگوریتم های یادگیری ماشین، به عنوان راهکاری کارآمد برای پایش تغییرات کاربری و آشکارسازی مناطق ساخته شده شهری مورد توجه قرار گرفته است. در این پژوهش، یک رویکرد ترکیبی مبتنی بر تلفیق داده های راداری سنتینل-۱ و نوری سنتینل-۲ در محیط سامانه تحت وب Google Earth Engine برای استخراج و نقشه برداری مناطق ساخته شده شهر ساری ارائه شده است. ابتدا شاخص های طیفی(BuEI ، NDBI، NDVI، GNDVI، RDVI،  NDWI, SoEI )و آنالیز مولفه ­های اصلی از داده های سنتینل-۱ و سنتینل-۲ استخراج شدند. سپس با استفاده از ویژگی های استخراج شده و الگوریتم های طبقه بندیRandom Forest ،  Support Vector MachineوCART، نقشه های مناطق شهری تولید شدند. نتایج ارزیابی با استفاده از داده های مرجع گوگل ارث نشان می­ دهند که الگوریتم RF با دقت کلی ۹۵.۲ درصد و ضریب کاپای ۹۰.۴ درصد، بهترین عملکرد را در مقایسه با سایر الگوریتم ها دارد. الگوریتم های SVM و CART نیز با دقت های ۹۳.۸ و ۹۳.۳ درصد، عملکرد قابل قبولی نشان دادند. یافته های این پژوهش نشان می­ دهند که ترکیب داده های چندمنبعی و استفاده از بسترGEE ، علاوه بر اعمال دقت بالاتر در پایش تغییرات شهری، سرعت پردازش را افزایش داده و نیاز به زیرساخت های محاسباتی پیشرفته را کاهش می دهد.

کلیدواژه ها:

رشد شهری ، تصاویر سنتینل-۱ و سنتینل-۲ ، پایش تغییرات شهری ، الگوریتم های یادگیری ماشین ، طبقه بندی مناطق شهری ، Google Earth Engine