[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 317
نرخ پذیرش: 63
نرخ رد: 37
میانگین داوری: 209 روز
میانگین انتشار: 347 روز
..
:: دوره 9، شماره 3 - ( 9-1400 ) ::
جلد 9 شماره 3 صفحات 107-85 برگشت به فهرست نسخه ها
ارزیابی قابلیت داده های همدوسی تداخل‌سنجی راداری سنتینل -1 جهت تهیه نقشه پوشش زمین
مسعود سلیمانی ، سارا عطارچی* ، نرجس محمودی وانعلیا ، فریماه بخشی زاده ، حامد احمدی
دانشگاه تهران
چکیده:   (2601 مشاهده)
در این مطالعه، جهت ارزیابی قابلیت های سری زمانی داده های تداخل‌سنجی رادار دریچه مصنوعی (InSAR) و یادگیری ماشین در تهیه نقشه پوشش زمین، داده های ماهواره سنتینل -1 (شامل 16 تصویر SLC با تفکیک زمانی تقریباً 24 روزه) در بازه زمانی 2018 تا 2020 برای محدوده ای از شهرستان اهواز در استان خوزستان استفاده شدند. از طریق پردازش های InSAR، تعداد 25 تصویر همدوسی بر اساس جفت تصاویر رادار در بازه های زمانی مختلف تولید گردیدند. پنج طبقه غالب پوشش زمین در منطقه شامل: اراضی ساخته شده، اراضی کشاورزی، پهنه های آبی، خاک لخت و پوشش گیاهی طبیعی متراکم، شناسایی و در نظر گرفته شدند. با استفاده از تصاویر قدرت تفکیک مکانی بالای گوگل ارث، در مجموع 4930 نمونه آموزشی با توزیع مکانی مناسب برای تمامی طبقات پوشش زمین اخذ گردید. تصاویر چندزمانه همدوسی به‌عنوان ورودی طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) استفاده شدند. فرایند آموزش و ارزیابی صحت کرنل های مختلف SVM به ترتیب با استفاده از 80 و 20 درصد نمونه های آموزشی صورت گرفت. بر اساس نتایج طبقه بندی، میزان صحت کلی در کرنل های خطی، چندجمله ای درجه ‌دو، چندجمله ای درجه چهار، چندجمله ای درجه شش، تابع پایه شعاعی و سیگموئید به ترتیب برابر با 60.7، 64.7، 67.7، 69.9، 66.3 و 59.5 درصد و مقدار ضریب کاپا 50.88، 55.87، 59.62، 62.38، 57.87 و 49.38 درصد ارزیابی گردید. در نتیجه، بالاترین میزان صحت کلی و ضریب کاپا برای کرنل چندجمله ای درجه شش و کمترین میزان آن برای کرنل سیگموئید به دست آمد. بر اساس نتایج ارزیابی صحت کاربر و صحت تولیدکننده در تمامی کرنل ها، اراضی ساخته شده بالاترین میزان صحت (93 - 98.5 درصد) و پوشش گیاهی متراکم کمترین میزان صحت (11 - 56.25 درصد) را به خود اختصاص دادند. به‌طورکلی نتایج حاصل، بر پتانسیل بالای داده های InSAR جهت شناسایی طبقات پوشش زمین تأکید دارد. در این میان، تأثیر الگوریتم طبقه بندی نیز بر میزان کارایی داده ها حائز اهمیت است.  
واژه‌های کلیدی: تهیه نقشه پوشش زمین، طبقه بندی، ماشین بردار پشتیبان، تداخل‌سنجی رادار دریچه مصنوعی، همدوسی
متن کامل [PDF 2625 kb]   (673 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1399/12/27 | پذیرش: 1400/9/15 | انتشار: 1400/9/30
فهرست منابع
1. [1] F. Sica, A. Pulella, M. Nannini, M. Pinheiro, and P. Rizzoli, "Repeat-pass SAR interferometry for land cover classification: A methodology using Sentinel-1 Short-Time-Series," Remote Sens. Environ., vol. 232, p. 111277, 2019. [DOI:10.1016/j.rse.2019.111277]
2. [2] A. W. Jacob et al., "Sentinel-1 InSAR coherence for land cover mapping: A comparison of multiple feature-based classifiers," IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 13, pp. 535-552, 2020. [DOI:10.1109/JSTARS.2019.2958847]
3. [3] M. Çavur, H. S. Duzgun, S. Kemeç, and D. C. Demirkan, "Land use and land cover classification of Sentinel 2-A: St Petersburg case study," Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. 42, no. 1, p. W2, 2019. [DOI:10.5194/isprs-archives-XLII-1-W2-13-2019]
4. [4] D. Bargiel, "A new method for crop classification combining time series of radar images and crop phenology information," Remote Sens. Environ., vol. 198, pp. 369-383, 2017. [DOI:10.1016/j.rse.2017.06.022]
5. [5] V. A. Parsa and E. Salehi, "Spatio-temporal analysis and simulation pattern of land use/cover changes, case study: Naghadeh, Iran," J. Urban Manag., vol. 5, no. 2, pp. 43-51, 2016. [DOI:10.1016/j.jum.2016.11.001]
6. [6] G. T. Ayele et al., "Time series land cover mapping and change detection analysis using geographic information system and remote sensing, Northern Ethiopia," Air, Soil Water Res., vol. 11, p. 1178622117751603, 2018. [DOI:10.1177/1178622117751603]
7. [7] H. N. T. Thanh, T. M. Doan, E. Tomppo, and R. E. McRoberts, "Land use/land cover mapping using multitemporal sentinel-2 imagery and four classification methods-A case study from dak nong, vietnam," Remote Sens., vol. 12, no. 9, p. 1367, 2020. [DOI:10.3390/rs12091367]
8. [8] S. Moulds, W. Buytaert, and A. Mijic, "A spatio-temporal land use and land cover reconstruction for India from 1960-2010," Sci. data, vol. 5, no. 1, pp. 1-11, 2018. [DOI:10.1038/sdata.2018.159]
9. [9] X. Zhang, W. Shi, and Z. Lv, "Uncertainty assessment in multitemporal land use/cover mapping with classification system semantic heterogeneity," Remote Sens., vol. 11, no. 21, p. 2509, 2019. [DOI:10.3390/rs11212509]
10. [10] S. Xie, L. Liu, X. Zhang, and X. Chen, "Annual land-cover mapping based on multi-temporal cloud-contaminated landsat images," Int. J. Remote Sens., vol. 40, no. 10, pp. 3855-3877, 2019. [DOI:10.1080/01431161.2018.1553320]
11. [11] Y. Hu, L. Zhen, and D. Zhuang, "Assessment of land-use and land-cover change in Guangxi, China," Sci. Rep., vol. 9, no. 1, pp. 1-13, 2019. [DOI:10.1038/s41598-019-38487-w]
12. [12] P. K. Mishra, A. Rai, and S. C. Rai, "Land use and land cover change detection using geospatial techniques in the Sikkim Himalaya, India," Egypt. J. Remote Sens. Sp. Sci., vol. 23, no. 2, pp. 133-143, 2020. [DOI:10.1016/j.ejrs.2019.02.001]
13. [13] A. Capolupo, C. Monterisi, and E. Tarantino, "Landsat Images Classification Algorithm (LICA) to automatically extract land cover information in Google Earth Engine environment," Remote Sens., vol. 12, no. 7, p. 1201, 2020. [DOI:10.3390/rs12071201]
14. [14] S. Xie, L. Liu, and J. Yang, "Time-Series Model-Adjusted Percentile Features: Improved Percentile Features for Land-Cover Classification Based on Landsat Data," Remote Sens., vol. 12, no. 18, p. 3091, 2020. [DOI:10.3390/rs12183091]
15. [15] J. Ai, C. Zhang, L. Chen, and D. Li, "Mapping Annual Land Use and Land Cover Changes in the Yangtze Estuary Region Using an Object-Based Classification Framework and Landsat Time Series Data," Sustainability, vol. 12, no. 2, p. 659, 2020. [DOI:10.3390/su12020659]
16. [16] R. Z. Khalil, "InSAR coherence-based land cover classification of Okara, Pakistan," Egypt. J. Remote Sens. Sp. Sci., vol. 21, pp. S23-S28, 2018. [DOI:10.1016/j.ejrs.2017.08.005]
17. [17] A. Khan, H. Govil, G. Kumar, and R. Dave, "Synergistic use of Sentinel-1 and Sentinel-2 for improved LULC mapping with special reference to bad land class: a case study for Yamuna River floodplain, India," Spat. Inf. Res., pp. 1-13, 2020. [DOI:10.1007/s41324-020-00325-x]
18. [18] Y. Chen, S. Qiao, G. Zhang, Y. J. Xu, L. Chen, and L. Wu, "Investigating the potential use of Sentinel-1 data for monitoring wetland water level changes in China's Momoge National Nature Reserve," PeerJ, vol. 8, p. e8616, 2020. [DOI:10.7717/peerj.8616]
19. [19] Y. Ban, P. Zhang, A. Nascetti, A. R. Bevington, and M. A. Wulder, "Near real-time wildfire progression monitoring with Sentinel-1 SAR time series and deep learning," Sci. Rep., vol. 10, no. 1, pp. 1-15, 2020. [DOI:10.1038/s41598-019-56967-x]
20. [20] V. Nizalapur and A. Vyas, "Texture Analysis for Land Use Land Cover (lulc) Classification in Parts of Ahmedabad, Gujarat," Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. 43, pp. 275-279, 2020. [DOI:10.5194/isprs-archives-XLIII-B3-2020-275-2020]
21. [21] L. Orlíková and J. Horák, "Land Cover Classification Using Sentinel-1 SAR Data," in 2019 International Conference on Military Technologies (ICMT), 2019, pp. 1-5. [DOI:10.1109/MILTECHS.2019.8870125]
22. [22] D. Geudtner and R. Torres, "Sentinel-1 system overview and performance," in 2012 IEEE International Geoscience and Remote Sensing Symposium, 2012, pp. 1719-1721. [DOI:10.1109/IGARSS.2012.6351191]
23. [23] A. Mestre-Quereda, J. M. Lopez-Sanchez, F. Vicente-Guijalba, A. W. Jacob, and M. E. Engdahl, "Time-Series of Sentinel-1 Interferometric Coherence and Backscatter for Crop-Type Mapping," IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 13, pp. 4070-4084, 2020. [DOI:10.1109/JSTARS.2020.3008096]
24. [24] M. Arias, M. Á. Campo-Bescós, and J. Álvarez-Mozos, "Crop classification based on temporal signatures of Sentinel-1 observations over Navarre province, Spain," Remote Sens., vol. 12, no. 2, p. 278, 2020. [DOI:10.3390/rs12020278]
25. [25] M. Ramanuja, "Review of synthetic aperture radar frequency, polarization, and incidence angle data for mapping the inundated regions," Journal of Applied Remote Sensing, vol. 12, no. 2, 2018. [DOI:10.1117/1.JRS.12.021501]
26. [26] F. Vicente-Guijalba et al., "Assessing hypertemporal Sentinel-1 coherence maps for land cover monitoring," in 2017 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp), 2017, pp. 1-3. [DOI:10.1109/Multi-Temp.2017.8035240]
27. [27] M. E. Engdahl and J. M. Hyyppa, "Land-cover classification using multitemporal ERS-1/2 InSAR data," IEEE Trans. Geosci. Remote Sens., vol. 41, no. 7, pp. 1620-1628, 2003. [DOI:10.1109/TGRS.2003.813271]
28. [28] Z. Xuedong, L. Wenxi, and H. Shuguang, "Urban Change Detection in TerraSAR Image Using the Difference Method and SAR Coherence Coefficient.," J. Eng. Sci. Technol. Rev., vol. 11, no. 3, 2018. [DOI:10.25103/jestr.113.03]
29. [29] A. Jamali, "Sentinel-1 Image Classification Using Machine Learning Algorithms Based on the Support Vector Machine and Random Forest," Int. J. Geoinformatics, vol. 16, no. 2.
30. [30] A. Navale and D. Haldar, "Evaluation of machine learning algorithms to Sentinel SAR data," Spat. Inf. Res., pp. 1-11, 2019. [DOI:10.1007/s41324-019-00296-8]
31. [31] S. Abdikan, F. B. Sanli, M. Ustuner, and F. Calò, "Land cover mapping using sentinel-1 SAR data," Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. 41, p. 757, 2016. [DOI:10.5194/isprs-archives-XLI-B7-757-2016]
32. [32] J. Soria-Ruiz, Y. Fernandez-Ordonez, and I. H. Woodhouse, "Land-cover classification using radar and optical images: a case study in Central Mexico," Int. J. Remote Sens., vol. 31, no. 12, pp. 3291-3305, 2010. [DOI:10.1080/01431160903160777]
33. [33] Daripour, N., amanpour, S, "An analysis of the environmental crisis and spatial distribution of green space in Ahwaz," Journal of Environmental Science Studies, vol. 2, no. 4, pp. 546-555, 2018 (Persian).
34. [34] Arvin, M., pour ahmad, A., zanganeh shahraki, S, "Evaluation of vacant lands for infill development by used of hybrid decision-making techniques and ARCGIS (case study: Ahvaz city)," Geographical Planning of Space, vol. 7, no. 26, pp. 163-182, 2018 (Persian).
35. [35] R. Torres et al., "GMES Sentinel-1 mission," Remote Sens. Environ., vol. 120, pp. 9-24, 2012. [DOI:10.1016/j.rse.2011.05.028]
36. [36] D. Geudtner, R. Torres, P. Snoeij, and M. Davidson, "Sentinel-1 System Overview," in Proceedings of the 9th European Conference on Synthetic Aperture Radar, Nürnberg, Germany, 2012, pp. 23-26.
37. [37] D. Massonnet and K. L. Feigl, "Radar interferometry and its application to changes in the Earth's surface," Rev. Geophys., vol. 36, no. 4, pp. 441-500, 1998. [DOI:10.1029/97RG03139]
38. [38] P. A. Rosen et al., "Synthetic aperture radar interferometry," Proc. IEEE, vol. 88, no. 3, pp. 333-382, 2000. [DOI:10.1109/5.838084]
39. [39] R. Touzi, A. Lopes, J. Bruniquel, and P. W. Vachon, "Coherence estimation for SAR imagery," IEEE Trans. Geosci. Remote Sens., vol. 37, no. 1, pp. 135-149, 1999. [DOI:10.1109/36.739146]
40. [40] Yague-Martinez, N., De Zan, F., & Prats-Iraola, P, "Coregistration of interferometric stacks of Sentinel-1 TOPS data, " IEEE Geoscience and Remote Sensing Letters, vol. 14, no. 7, pp. 1002-1006, 2017. [DOI:10.1109/LGRS.2017.2691398]
41. [41] T. C. Christofides, "Randomized response in stratified sampling," J. Stat. Plan. Inference, vol. 128, no. 1, pp. 303-310, 2005. [DOI:10.1016/j.jspi.2003.11.001]
42. [42] C. J. C. Burges, "A tutorial on support vector machines for pattern recognition," Data Min. Knowl. Discov., vol. 2, no. 2, pp. 121-167, 1998.
43. [43] K.-B. Duan and S. S. Keerthi, "Which is the best multiclass SVM method? An empirical study," in International workshop on multiple classifier systems, 2005, pp. 278-285. [DOI:10.1007/11494683_28]
44. [44] H. Fathizad, A. Safari, M. Bazgir, and G. Khosravi, "Evaluation of SVM with Kernel method (linear, polynomial, and radial basis) and neural network for land use classification," IJRDR, vol. 23, no. 4, pp. 729-743, 2017 (Persian).
45. [45] A. Darvishi Boloorani, N. Neysani Samany, R. Papi, and M. Soleimani, "Dust source susceptibility mapping in Tigris and Euphrates basin using remotely sensed imagery," CATENA, vol. 209, p. 105795, 2022. [DOI:10.1016/j.catena.2021.105795]
46. [46] A. Foroudi Khowr, M. Saneie, and M. Azhdari Moghaddam, "Comparison of Adaptive Neuro Fuzzy Inference System (ANFIS) and Support Vector Machines(SVM) for discharge capacity prediction of a sharp-crested weirs," Iran. J. Irrig. Drain., vol. 11, no. 5, pp. 772-784, 2017 (Persian).
47. [47] A. Darvishi Boloorani, R. Papi, M. Soleimani, L. Karami, F. Amiri, and N. Neysani Samany, "Water bodies changes in Tigris and Euphrates basin has impacted dust storms phenomena," Aeolian Res., vol. 50, p. 100698, 2021. [DOI:10.1016/j.aeolia.2021.100698]
48. [48] S. V Stehman, M. K. Arora, T. Kasetkasem, and P. K. Varshney, "Estimation of fuzzy error matrix accuracy measures under stratified random sampling," Photogramm. Eng. Remote Sens., vol. 73, no. 2, pp. 165-173, 2007. [DOI:10.14358/PERS.73.2.165]
49. [49] J. R. Jensen, Introductory digital image processing: a remote sensing perspective., no. Ed. 2. Prentice-Hall Inc., 1996.
50. [50] R. Papi, S. Attarchi, and M. Soleimani, "Analysing Time Series of Land Subsidence in the West of Tehran Province (Shahriar Plain) and its Relation to Groundwater Discharge by InSAR Technique," Geogr. Sustain. Environ., vol. 10, no. 1, pp. 109-128, 2020 (Persian).
51. [51] P. Berardino, G. Fornaro, R. Lanari, and E. Sansosti, "A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms," IEEE Trans. Geosci. Remote Sens., vol. 40, no. 11, pp. 2375-2383, Nov. 2002. [DOI:10.1109/TGRS.2002.803792]
52. [52] M. Sandberg, "Land cover mapping with multi-temporal SAR and optical satellite data," 2016.
53. [53] N. Joshi et al., "A review of the application of optical and radar remote sensing data fusion to land use mapping and monitoring," Remote Sens., vol. 8, no. 1, p. 70, 2016. [DOI:10.3390/rs8010070]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Soleimani M, Attarchi S, Mahmoody-Vanolya N, Bakhshizadeh F, Ahmadi H. Evaluation of Sentinel-1 Interferometric SAR Coherence efficiency for Land Cover Mapping. jgit 2021; 9 (3) :85-107
URL: http://jgit.kntu.ac.ir/article-1-819-fa.html

سلیمانی مسعود، عطارچی سارا، محمودی وانعلیا نرجس، بخشی زاده فریماه، احمدی حامد. ارزیابی قابلیت داده های همدوسی تداخل‌سنجی راداری سنتینل -1 جهت تهیه نقشه پوشش زمین. مهندسی فناوری اطلاعات مکانی. 1400; 9 (3) :85-107

URL: http://jgit.kntu.ac.ir/article-1-819-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 3 - ( 9-1400 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4660