مقایسه روش های طبقه بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تهیه ی نقشه کاربری اراضی (مطالعه موردی: پارک ملی بوجاق)
محورهای موضوعی : سنجش از دور و جغرافیای زیستی
مهسا عبدلی لاکتاسرائی
1
,
مریم حقیقی خمامی
2
*
1 - دانشگاه گیلان
2 - دانشگاه گیلان
کلید واژه: سنجش‌ازدور, کاربری اراضی, ماشین بردار پشتیبان, شبکه عصبی مصنوعی, طبقه‌بندی, پارک ملی بوجاق,
چکیده مقاله :
پارک های ملی و پناهگاه های حیات‌وحش از مهم ترین سرمایه های اکولوژیکی به شمار می روند. ازاین‌رو اطلاع از تغییرات کمی و کیفی کاربری اراضی آن ها نقش اساسی در کیفیت مدیریت این مناطق دارد. الگوریتم های متنوعی برای طبقه بندی تصاویر ماهواره ای در سنجش‌ازدور توسعه‌یافته‌اند، انتخاب الگوریتم مناسب طبقه بندی در دستیابی به نتایج صحیح نقش بسیار مهمی را ایفا می کند. در این تحقیق با مقایسه صحت طبقه بندی دو الگوریتم شبکه عصبی مصنوعی و ماشین بردار پشتیبان، الگوریتم دقیق‌تر تعیین و از آن برای بررسی روند تغییرات کاربری اراضی استفاده شد. تحقیق حاضر در پارک ملی بوجاق واقع در استان گیلان طی سال های 2000 تا 2017 با استفاده از تصاویر ماهواره‌ایETM+ و OLI لندست 7 و 8 انجام گرفت. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان به ترتیب با دقت کل و ضریب کاپا، 42/86 و 83/0 برای سال 2000 و 65/90 و 88/0 برای سال 2017، در مقایسه با الگوریتم شبکه عصبی مصنوعی به ترتیب با دقت کل و ضریب کاپا، 71/83 و 80/0 برای سال 2000 و دقت کل و ضریب کاپا، 25/89 و 87/0 برای سال 2017، تصاویر ماهواره‌ای را بهتر طبقه بندی کرده است؛ بنابراین، از نقشه های کاربری اراضی حاصل از الگوریتم ماشین بردار پشتیبان جهت بررسی تغییرات کاربری استفاده شد. بررسی روند تغییرات کاربری اراضی با این روش مشخص کرد که در طی دوره بررسی شده، مساحت کاربری های پیکره آبی، دریا، پوشش علفی و کشاورزی کاهش‌یافته است درحالی‌که کلاس کاربری های باتلاقی، درختی و بدون پوشش افزایش‌یافته است.
National parks and wildlife shelter are the most important natural heritages; therefore, knowing of quantitative and qualitative changes in their land use plays an essential role in the quality of these areas' management. various algorithms have been developed to classify satellite imagery in remote sensing, selecting an appropriate classification algorithm is very important in achieving the accurate results. In this research, a more accurate algorithm was determined by comparing the classification accuracy of two artificial neural network and support vector machine algorithms, and it was used to examine the process of the land use changes. The present study was performed in Boujagh National Park, in the Guilan Province, during the years 2000 to 2017, using satellite imagery ETM and OLI of Landsat 7 and 8. The results of the research revealed that the support vector machine algorithm with overall accuracy and Kappa coefficient of 86.42 and 0.83 respectively for the year 2000 and, 90.65 and 0.88 for the year 2017, classified the satellite images more precisely, in comparison with the artificial neural network algorithm with overall accuracy and Kappa coefficient of 83.71 and 0.80 respectively for the year 2000 and overall accuracy and Kappa coefficient of 89.25 and 0.87 for the year 2017. Therefore, the land use maps of the support vector machine algorithm were used to determine the land use changes. The study of land use change by this method concluded that the areas of the waterbody, sea, grassland and agriculture have decreased and marshland, woody and bare lands classes showed an increase during the study period.
آرخی، صالح (1393). تهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روش¬های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال. نشریه علمی مرتع‌داری، 1(2)، 30-43.
آرخی، صالح؛ ادیب¬نژاد، مصطفی (1390). ارزیابی کارایی الگوریتم‌های ماشین بردار پشتیبان جهت طبقه‌بندی کاربری اراضی با استفاده از داده¬های ماهواره¬ای ETM+ لندست (مطالعه موردی: حوزه سد ایلام). تحقیقات مرتع و بیابان¬زایی، 18(3)، 420-440.
اسلمی، فرنوش؛ قربانی، اردوان؛ سبحانی، بهروز؛ پناهنده، محسن (1394). مقایسه روش¬های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شئ¬گرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 1-14.
بنیاد، امیراسلام؛ حاجی قادری، طه (1386). تهیه نقشه جنگل¬های طبیعی استان زنجان با استفاده از داده¬های سنجنده ETM+ ماهواره لندست 7. علوم آب‌وخاک، 11(42)، 627-638.
دانشی، علیرضا؛ وفاخواه، مهدی؛ پناهی، مصطفی (1395). مقایسۀ کارآیی الگوریتم‌های ماشین بردار پشتیبان و حداکثر احتمال در آشکارسازی تغییرات کاربری اراضی (مطالعۀ موردی: حوضۀ آبخیز سیمینه‌رود(. سنجش‌ازدور و GIS ایران، 8(2)، 73-86.
رضایی¬مقدم، محمدحسین؛ ولیزاده کامران، خلیل؛ اندریانی، صغری؛ الماس¬¬پور، فرهاد (1394). مقایسه روش¬های شبکه عصبی و ماشین بردار پشتیبان در استخراج نقشه¬های کاربری و پوشش اراضی با استفاده از تصاویر لندست 8 (مطالعه موردی: حوضه صوفی چای). نشریه علمی-پژوهشی جغرافیا و برنامه¬ریزی، 19(52)، 163-183.
رسولی، علی¬اکبر (1387). مبانی سنجش‌ازدور کاربردی با تأکید بر پردازش تصاویر ماهواره¬ای. تبریز: دانشگاه تبریز.
فاطمی¬طلب، سیدرضا؛ معدنی¬پور کرمانشاهی، مرتضی؛ هاشمی، سیدآرمین (1394). برآورد تغییرات سطح پوشش جنگل¬های رودسر با استفاده از روش¬های طبقه¬بندی شبکه عصبی مصنوعی و حداکثر احتمال. نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(2)، 33-44.
طرح جامع پارک ملی بوجاق (1392). پژوهشکده محیط¬زیست، جهاد دانشگاهی، استان گیلان.
فتحی¬زاد، حسن؛ صفری، عطا؛ بازگیر، مسعود؛ خسروی، غلامرضا (1395). ارزیابی و مقایسه روش¬های ماشین¬بردار¬پشتیبان با کرنل-های خطی، چند جمله¬ای و پایه شعاعی با شبکه عصبی مصنوعی برای طبقه¬بندی کاربری اراضی. فصلنامه علمی-پژوهشی تحقیقات مرتع و بیابان ایران، 23(4)، 729-743.
کشاورز، احمد؛ قاسميان يزدي، حمید (1384). يک الگوريتم سريع مبتني بر ماشين بردار پشتيبان براي طبقـه بنـدي تصـاوير ابـر طيفـي بـا استفاده از همبستگي مکاني. نشريه مهندسي برق و مهندسي کامپيوتر ايران، ۱(3)، 37-44.
مختاری، محمدحسین؛ نجفی، احمد (1394). مقایسه روش¬های طبقه¬بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری¬های اراضی از تصاویر ماهواره¬ای لندست TM. مجله علوم و فنون کشاورزی و منابع طبیعی، 19(72)، 35-45.
مظاهری، محمودرضا؛ اسفندیاری، مهرداد؛ مسیح¬آبادی، محمدحسن؛ کمالی، اردوان (1392). پايش تغييرات زماني کاربري اراضي با استفاده از فن‌های سنجش‌ازدور و سيستم اطلاعات جغرافيايي (مطالعه موردي: جيرفت، استان کرمان). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(2)، 25-39.
مهدویان چشمه گل، علی‌اکبر؛ محمدحسینیان، شهرام (1393). مقایسه روش¬های طبقه¬بندی ماکزیمم شباهت، نزدیک‌ترین همسایه و شبکه عصبی برای تصاویر ماهواره¬ای، نخستین همایش ملی کاربرد مدل¬های پیشرفته تحلیل فضایی (سنجش‌ازدور و GIS) در آمایش سرزمین، 5 و 6 اسفندماه، دانشگاه آزاد اسلامی، یزد.
میرزایی زاده، وحید؛ نیک نژاد، مریم؛ اولادی قادیکلایی، جعفر (1394). ارزیابی الگوریتم¬های طبقه¬بندی نظارت‌شده غیر‌پارامتریک در تهیه نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3)، 29-44.
نیازی، یعقوب؛ اختصاصی، محمدرضا؛ ملکی نژاد، حسین؛ حسینی، زین¬العابدین (1389). مقایسه دو روش طبقه¬بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی (مطالعه موردی: حوزه سد ایلام). جغرافیا و توسعه، 8(20)، 119-132.
یوسفی، صالح؛ تازه، مهدی؛ میرزایی، سمیه؛ مرادی، حمیدرضا؛ توانگر، شهلا (1393). مقایسه الگوریتم¬های مختلف طبقه¬بندی تصاویر ماهواره¬ای در تهیه نقشه¬ کاربری اراضی (مطالعه موردی: شهرستان نور). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(3)، 67-75.
Dixon, B., & Candade, N. (2008). Multispectral Land Use Classification Using Neural Networks and Support Vectormachines: One or the other, or Both? International Journal of Remote Sensing, 29(4), 1185–1206.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Gualtieri, J.A., & Cromp, R.F. (1998). Support Vector Machines for Hyperspectral Remote Sensing Classification, in: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October, SPIE, Washington, DC, PP. 221-232.
Guo, Y., De Jong, K., Liu, F., Wang, X., & Li, C. (2012). A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification. Springer-verlag Berlin Heidelberg, ISICA, CCIS, 316, 531-539.
Huang, C., Davis, L.S., & Townshend, J.R.G. (2002). An Assessment of Support Vectormachines for Land Cover Classification. International Journal of Remote Sensing, 23(4), 725-749.
Jensen, J.R. (2000). Remote Sensing of the Environment: An Earth Resource Perspective (Upper Saddle River, NJ: Princeton Hall). pp:592.
Jiang, X., Lin, M., & Zhao, J. (2011). Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms, Fourth International Conferenceon Intelligent Computation Technology and Automation, 312-315.
Jin, S., Homer, C., Yang, L., Xian, G., Fry, J., & Danielson, P. (2013). Automated cloud and shadow detection and filling using two-date Landsat imagery in the USA. International Journal of Remote Sensing, 34, 1540-1560.
Kavzoglu, T., & Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. Int. J. of Applied Earth Observation and Geoinformation, 11, 352-359.
Knorn, J., Rabe, A., Radeloff, V.C., Kuemmerle, T., Kozak. J., & Hostert, P. (2009). Land cover mapping of largeareas using chain classification of neighboring Landsat satellite images. Remote Sens, Environ, 113, 957-964.
Kun, j., Shunlin, L., Ning, Zh., Xiangqin, W., Xingfa, G., Xiang, Zh., Yunjun, Y., & Xianhong, X. (2014). Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data. Journal of Photogrammetry and Remote Sensing, 93, 49–55.
Lausch, A., & Herzog, F., (2002). Applicability of Landscape Metrics for the Monitoring of Landscape Change: Issues of Scale, Resolution and Interpretability, Ecological Indicators, 2, 3-15.
Lefsky, M.A., & Cohen, W.B. (2003). Selection of remotely sensed data. In: Remote sensing of forest environments. Springer, pp 13-46.
Pao, Y.H. (1989). Adaptive pattern recognition and neural networks. Addison-Wesley Longman Publishing Co., Inc.
Richards J., A. (2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.
Srivastava, P.K., Han, D., Rico-Ramirez, M.A., Bray, M., & Islam, T. (2012). Selection of classification techniques for land use/land cover change investigation. Advances in Space Research, 50,1250-1265.
Yao, X., Tham, L.G., & Dai, F.C. (2008). Landslide Susceptibility Mapping Based on Support Vector Machine: A Case Study on Natural Slopes of Hong Kong, China, Geomorphology, 101, 572-582.
Arekhi, S. (2014). Comparing accuracy of artificial neural network, Support Vector Machine and maximum likelihood Algorithms for land use classification (Case study: Dashat Abbas arid region, Ilam Province). Journal of Gorgan University of Agricultural Sciences and Natural Resources,1(2), 30-43. (In Persian).
Arekhi, S., & Adibnejad, M. (2011). Efficiency assessment of the of Support Vector Machines for land use classification using Landsat ETM+ data (Case study: Ilam Dam Catchment). Iranian Journal of Rangeland and Desert Research, 18(3), 420-440. (In Persian). Doi: 10.22092/IJRDR.2011.102175
Aslami, F., Ghorbani, A., Sobhani, B., & Panahande, M. (2015). Comparing artificial neural network, support vector machine and object-based methods in preparation land use/cover mapsusing landSat-8 images. RS and GIS Techniques in Natural Resources, 6(3), 1-14. (In Persian).
Bonyad, A.A., & Hajighaderi, T. (2008). Inventorying and Mapping of Natural Forest Stands of Zanjan Province Using Landsat ETM+ Image Data. Water and Soil Science, 42(11), 627-638. (In Persian).
Daneshi, A., Vafakhah, M., & Panahi, M. (2016). Efficiency Comparison of Support Vector Machine and Maximum Likelihood Algorithms for Monitoring Land Use Changes. Remote sensing and GIS of Iran, 8(2), 73-86. (In Persian).
Dixon, B., & Candade, N. (2008). Multispectral Land Use Classification Using Neural Networks and Support Vectormachines: One or the other, or Both? International Journal of Remote Sensing, 29(4), 1185–1206.
Foody, G.M. 2000. Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification. Journal of Intelligent and Robotic Systems. 29, 433-449.
Fatemi Talab, R.S., Madanipour. M., & Hashemi, S.A. (2015). Estimating changes in forest cover in the Rudsar county by using neural network and maximum likelihood methods. Remote sensing and GIS in natural resources, 2(6), 33-44. (In Persian).
Fathizad, H., Safari, A., Bazgir, M., & Khosravi, GH. (2017). Evaluation of SVM with Kernel method (linear, polynomial, and radial basis) and neural network for land use classification. Iranian Journal of Rangeland and Desert Research, 4(23), 729-743. (In Persian).
Gualtieri, J.A., & Cromp, R.F. (1998). Support Vector Machines for Hyperspectral Remote Sensing Classification. In: Proceedings of the 27th AIPR Workshop: Advances in Computer Assisted Recognition, Washington, DC, 27 October, SPIE, Washington, DC, PP. 221-232.
Guo, Y., De Jong, K., Liu, F., Wang, X., & Li, C. (2012). A Comparison of Artificial Neural Networks and Support Vector Machines on Land Cover Classification. International Symposium on Intelligence Computation and Applications, 316, 531-539.
Huang, C., Davis, L.S., & Townshend, J.R.G. (2002). An Assessment of Support Vectormachines for Land Cover Classification. International Journal of Remote Sensing, 23(4), 725-749.
Jensen, J.R. (2000). Remote Sensing of the Environment: An Earth Resource Perspective (Upper Saddle River, NJ: Princeton Hall). pp:592.
Jiang, X., Lin, M., & Zhao, J. (2011). Woodland cover change assessment using decision trees, support vector machines and artificial neural networks classification algorithms, Fourth International Conferenceon Intelligent Computation Technology and Automation, 312-315.
Jin, S., Homer, C., Yang, L., Xian, G., Fry, J., & Danielson, P. (2013). Automated cloud and shadow detection and filling using two-date Landsat imagery in the USA. International Journal of Remote Sensing, 34, 1540-1560.
Kavzoglu, T., & Colkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11, 352-359.
Keshavarz, A., & Ghasemian yazdi, H. (2006). A fast algorithm based on support vector machine for classification of spectral cloud images using spatial correlation. Iranian Journal of Electrical Engineering and Computer Engineering, 3, 37-44. (In Persian).
Knorn, J., Rabe, A., Radeloff, V.C., Kuemmerle, T., Kozak. J., & Hostert, P. (2009). Land cover mapping of largeareas using chain classification of neighboring Landsat satellite images. Remote Sensing of Environment, 113, 957-964.
Kun, j., Shunlin, L., Ning, Zh., Xiangqin, W., Xingfa, G., Xiang, Zh., Yunjun, Y., & Xianhong, X. (2014). Land cover classification of finer resolution remote sensing data integrating temporal features from time series coarser resolution data. ISPRS Journal of Photogrammetry and Remote Sensing, 93, 49–55.
Lausch, A., & Herzog, F., (2002). Applicability of Landscape Metrics for the Monitoring of Landscape Change: Issues of Scale, Resolution and Interpretability. Ecological Indicators, 2, 3-15. https://doi.org/10.1016/S1470-160X(02)00053-5
Lefsky, M.A., & Cohen, W.B. (2003). Selection of remotely sensed data. In: Remote sensing of forest environments. Springer, pp 13-46.
Mahdavian Cheshmeh Gol, A.A., & Mohammad Hoseinian, Sh. (2014). Comparison of maximum likelihood classification, nearest neighbor and neural network for satellite imagery. The first national conference on the use of advanced spatial analysis (remote sensing and GIS) models in landing. 5 and 6 March 2015, Islamic Azad University, Yazd, Iran. (In Persian).
Master Plan of Bojagh National Park. (2011). Environmental Research Institue Academic Center for Education culture and Research., Rasht, Iran. (In Persian).
Mazaheri, M.R., Esfandiari, M., Masih Abadi, M.H., & Kamali, A. (2013). Detecting temporal land use changes using remote sensing and GIS techniqes (Case study: Jiroft, Kerman Province). Remote sensing and GIS in natural resources, 4(2), 25-40. (In Persian).
Mirzaei Zadeh, V., Nik Nezhad, M., & Oladi, J. (2015). Evaluating non-parametric supervised classification algorithms in land cover map using LandSat-8 Images. Remote sensing and GIS in natural resources, 6(3), 1-14. (In Persian).
Mokhtari, M.H., & Najafi, A. (2015). Comparison of Support Vector Machine and Neural Network Classification Methods in Land Use Information Extraction through Landsat TM Data. Water and Soil Science, 19(72), 25-45. (In Persian).
Neiazi, Y., M.R. Ekhtesasi., H. Malekinezhad., S.Z. Hoseini., and J. Morshedi. 2010. Comparibson Between Two Classification Methods of Maximum likelihood and Artificial Neural Network for Providing Land Use Maps Case Study: Ilam Dam Area. Geography and Development, 8(20), 119-132. (In Persian).
Pao, Y.H. (1989). Adaptive pattern recognition and neural networks. Addison-Wesley Longman Publishing Co., Inc.
Rasuli, A.A. (2008). principles of applied remote sensing. Tabriz: Tabriz University. (In Persian).
Rezaei Moghaddam, M.H., & Valizadeh Kamran, Kh. (2015). Comparison of ANN and SVM methods in extraction Land Use/ Land Cover maps from Landsat 8 satellite image (Case Study: Sufi Chay Basin). Geography and Planning journal, 19(52),163-183. (In Persian).
Richards J., A. (2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.
Srivastava, P.K., Han, D., Rico-Ramirez, M.A., Bray, M., & Islam, T. (2012). Selection of classification techniques for land use/land cover change investigation. Advances in Space Research, 50,1250-1265.
Yao, X., Tham, L.G., & Dai, F.C. (2008). Landslide Susceptibility Mapping Based on Support Vector Machine: A Case Study on Natural Slopes of Hong Kong, China, Geomorphology, 4(101), 572-582. https://doi.org/10.1016/j.geomorph.2008.02.011
Yosefi, S., Tazeh, M., Mirzaei, S., Moradi, H.R., & Tavangar, Sh. (2014). Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city). Remote sensing and GIS in natural resources, 5(3), 67-76. (In Persian).