بهبود طبقهبندی پوشش زمین در نواحی کوهستانی با ترکیب تصاویر سنتینل– ۱ از مدارهای گوناگون و ارزیابی تأثیرات تصحیح رادیومتریک توپوگرافی | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 9، دوره 17، شماره 4 - شماره پیاپی 68، 1404، صفحه 161-180 اصل مقاله (2.64 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2025.239329.1258 | ||
| نویسندگان | ||
| محمد ابراهیمی* ؛ محمودرضا صاحبی | ||
| دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی،تهران، ایران | ||
| چکیده | ||
| سابقه و هدف: در سالهای اخیر، پوشش زمین بهمنزلۀ شاخصی کلیدی در بررسی تغییرات اقلیمی، سیستمهای اکولوژیکی و مدیریت منابع طبیعی مورد توجه قرار گرفته است. محدودیتهایی که در مسیر تهیۀ دادههای بهروز و دقیق وجود دارد نیاز به استفاده از فنّاوریهای نوین سنجش از دور را افزایش داده است. در این میان، تصاویر راداری سنتینل– ۱ که به سامانۀ رادار با روزنۀ مجازی (SAR) مجهز است، بهدلیل فنّاوری مایکروویو فعال خود و با امکان عملکرد در هر شرایط جوّی، میتواند ابزاری مناسب برای تهیۀ نقشههای پوشش زمین به شمار آید. هدف این تحقیق بهبود طبقهبندی پوشش زمین، با استفادۀ همزمان از تصاویر دریافتی از مدارهای بالارونده و پایینروندۀ سنتینل– ۱ و بررسی تأثیر تصحیح رادیومتریک توپوگرافی در صحت نتایج طبقهبندی است. مواد و روشها: در این تحقیق سه منطقۀ متفاوت در ایران، شامل شهرهای مرند و ساری و چادگان، بهدلیل ویژگیهای متفاوت پوشش زمین و وجود نواحی کوهستانی، بررسی شد. دادههای مورد استفاده، در این تحقیق، تصاویر ماهوارۀ سنتینل– ۱ با قطبشهای VV و VH در هر دو گذر بالارونده و پایینرونده است. پیشپردازش دادهها انجام شد که مراحلی همچون اعمال فایل مداری، حذف نویز حرارتی، حذف نویز حاشیه، کالیبراسیون، تصحیح رادیومتریک توپوگرافی، فیلتر اسپکل، تصحیح توپوگرافی رنج داپلر و تبدیل به دسیبل را دربرمیگرفت. همچنین با استفاده از روش نرمالسازی کمینه– بیشینه، دادهها به بازهای مشخص تغییرمقیاس یافتند. سپس الگوریتم جنگل تصادفی (RF) برای طبقهبندی پوشش زمین به کار رفت. این طبقهبندی شامل پنج کلاس آب، خاک، پوشش گیاهی، مناطق شهری و کشاورزی است. در انتها، نتایج با استفاده از معیارهای صحت کلی، ضریب کاپا و صحت هر کلاس ارزیابی شد. نتایج و بحث: نتایج نشان میدهد که استفادۀ همزمان از تصاویر بالارونده و پایینرونده، بدون اعمال تصحیح رادیومتریک توپوگرافی، باعث بهبود شایان توجه صحت طبقهبندی در تمامی مناطق مورد مطالعه میشود. برای نمونه، در مرند، صحت کلی طبقهبندی از 3/65% به 17/79% افزایش یافته که معادل با بهبود تقریبی 13% است. در ساری، ترکیب تصاویر به افزایش صحت کلی از 67/55% به 41/75% منجر شده است. همچنین در چادگان، افزایش حدود 12درصدی صحت کلی از 88/56% به 06/68% مشاهده شده است. ازنظر صحت کلاسی، در مرند، صحت کلاس پوشش گیاهی ارتقای چشمگیری از 41/43% به 64/69% داشته و در ساری، صحت کلاس خاک از 57/19% به 40/46% بهبود یافته است. تحلیل عددی نشان میدهد ترکیب تصاویر، از مدارهای گوناگون، دیدگاههای مکملی از سطح زمین ارائه میدهد که به کاهش اعوجاجهای ناشی از زاویۀ دید و توپوگرافی کمک میکند. همچنین نتایج نشان میدهد که اعمال تصحیح رادیومتریک توپوگرافی تأثیر دوگانهای دارد. در حالت تکتصویری، میتواند به بهبود صحت برخی کلاسها کمک کند اما، در ترکیب دو تصویر، ممکن است باعث شباهت بیشازحد بین برخی کلاسها شود و در نهایت، عملکرد کلی را کاهش دهد. نتیجهگیری: این تحقیق تأکید میکند که بهکارگیری همزمان تصاویر سنتینل– ۱ از مدارهای بالارونده و پایینرونده، بهویژه بدون استفاده از تصحیح رادیومتریک توپوگرافی، نقش کلیدی در افزایش صحت طبقهبندی پوشش زمین دارد. افزایش صحت کلی طبقهبندی بهمیزان ۱۳ تا ۲۰% در مناطق متفاوت، نشان از پتانسیل بالای این رویکرد در طبقهبندی پوشش زمین دارد. ازسویدیگر، نتایج بیان میکند که نحوۀ پیشپردازش تصاویر سنتینل– 1 در صحت و کارآیی مدل تأثیرگذار است و استفاده از تصحیح رادیومتریک توپوگرافی، در برخی موارد، باعث کاهش صحت و کارآیی مدل میشود. بهعبارتدیگر، ترکیب بهینۀ دادههای سنتینل– 1 در مدارهای گوناگون میتواند به ارائۀ نقشههای دقیقتر و مورد اعتمادتر منجر شود. بنابراین رویکرد مطرحشده میتواند، بهمنزلۀ مرجعی برای مطالعات آینده در حوزۀ سنجش از دور، بهبود طبقهبندی پوشش زمین و کاربردهای محیطزیستی و کشاورزی مطرح شود. | ||
| کلیدواژهها | ||
| واژههای کلیدی: سنجش از دور؛ طبقهبندی پوشش زمین؛ تصاویر SAR؛ تصحیح رادیومتریک توپوگرافی؛ الگوریتم جنگل تصادفی | ||
| عنوان مقاله [English] | ||
| Improving land Cover Classification in Mountainous Areas by Combining Sentinel-1 Images From Different Orbits and Assessing Radiometric Terrain Flattening Effects | ||
| نویسندگان [English] | ||
| Mohammad Ebrahimi؛ Mahmod Reza Sahebi | ||
| Faculty of Geodesy & Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Introduction: In recent years, land cover has been recognized as a key indicator for assessing climate change, ecosystems, and the management of natural resources. Growing challenges in acquiring up-to-date and accurate data have led to the adoption of modern remote sensing technologies. Among these, the Sentinel-1 Synthetic Aperture Radar (SAR) imagery has emerged as a reliable source for land surface characterization. These images are produced by a SAR system using active microwave technology, enabling effective operation in all weather conditions. Therefore, this technology proves to be an appropriate tool for generating reliable and detailed land cover maps. The aim of this research is to improve the classification of land cover by simultaneously utilizing images acquired from both the ascending and descending orbits of Sentinel-1. In addition, the study investigates the impact of applying radiometric terrain flattening corrections on the overall accuracy of the classification results. Materials and Methods: This study examined three different regions in Iran: Marand, Sari, and Chadegan, which were selected due to their varied land cover characteristics and the presence of mountainous areas. The data used consisted of Sentinel-1 satellite images with VV and VH polarizations from both ascending and descending passes. Preprocessing steps included applying orbit file, thermal noise removal, border noise removal, calibration, radiometric terrain flattening, speckle filtering, Range-Doppler terrain correction, and conversion to decibels. Additionally, the data were rescaled to a specific range using the min-max normalization method. The Random Forest (RF) algorithm was then employed to classify land cover into five classes: water, soil, vegetation, urban areas, and agriculture. Finally, the results were evaluated using overall accuracy, the kappa coefficient, and class-specific accuracy metrics. Results and Discussion: The results indicate that the simultaneous use of ascending and descending images without applying radiometric terrain flattening significantly improves classification accuracy across all study areas. For example, in Marand, the overall classification accuracy increased from 65.33% to 79.17%, representing an approximate improvement of 13%. In Sari, the combination of images raised the overall accuracy from 55.67% to 75.41%, while in Chadegan, it resulted in an approximate 12% increase from 56.88% to 68.06%. Regarding class-specific accuracy, in Marand, the vegetation class improved from 43.41% to 69.64%, and in Sari, the soil class accuracy increased from 19.57% to 46.40%. Numerical analysis suggests that combining images from different orbits provides complementary perspectives of the Earth's surface, helping to reduce distortions caused by viewing angles and topography. In addition, the results reveal that while radiometric terrain flattening can enhance the accuracy of certain classes when using a single image, its application in the combination of two images may cause excessive similarity between some classes, ultimately reducing overall performance. Conclusion: In conclusion, this research highlights the importance of concurrently using Sentinel-1 images from both ascending and descending orbits, particularly when radiometric terrain flattening is not applied, which plays a crucial role in enhancing the accuracy of land cover classification. The observed improvement in overall accuracy, ranging from 13% to 20% across different study areas, underscores the strong potential of this approach for land cover mapping. Moreover, the findings of this study demonstrate that the preprocessing methods employed for Sentinel-1 images have a significant impact on the accuracy and efficiency of classification models. In some cases, applying radiometric terrain flattening can lead to a decrease in both accuracy and efficiency. Therefore, optimally combining Sentinel-1 data from multiple orbital passes can lead to more accurate and reliable land cover maps. The approach presented in this study can thus serve as a valuable reference for future studies in the field of remote sensing, particularly those focused on improving land cover classification for environmental and agricultural applications. | ||
| کلیدواژهها [English] | ||
| Keywords: Remote sensing, Land cover classification, SAR imagery, Radiometric terrain flattening, Random forest algorithm | ||
| مراجع | ||
|
Army, E.K. & Saepuloh, A., 2020, Field Verifications of Geological Structures Related to SAR Detected Lineaments, IOP Conference Series: Earth and Environmental Science (Vol. 417, No. 1, P. 012012), IOP Publishing, https://doi.org/ 10.1088/1755-1315/417/1/012012. Belgiu, M. & Drăguţ, L., 2016, Random Forest in Remote Sensing: A Review of Applications and Future Directions, ISPRS Journal of Photogrammetry and Remote Sensing, 114, PP. 24-31, https:// doi.org/10.1016/j.isprsjprs.2016.01.011. Chan, Y.K. & Koo, V., 2008, An Introduction to Synthetic Aperture Radar (SAR), Progress In Electromagnetics Research B, 2, PP. 27-60, http://dx.doi.org/10.2528/ PIERB07110101. Chen, X., Sun, Q. & Hu, J., 2018, Generation of Complete SAR Geometric Distortion Maps Based on DEM and Neighbor Gradient Algorithm, Applied Sciences, 8(11), P. 2206, https://doi.org/10.3390/ app8112206. Cigna, F., Bateson, L.B., Jordan, C.J. & Dashwood, C., 2014, Simulating SAR Geometric Distortions and Predicting Persistent Scatterer Densities for ERS-1/2 and ENVISAT C-Band SAR and InSAR Applications: Nationwide Feasibility Assessment to Monitor the Landmass of Great Britain with SAR Imagery, Remote Sensing of Environment, 152, PP. 441-466, https://doi.org/10.1016/j.rse.2014.06.025. Congalton, R.G. & Green, K., 2019, Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, CRC Press, https://doi.org/10.1201/9780429052729. De Luca, G., Silva, J.M. & Modica, G., 2021, A Workflow Based on Sentinel-1 SAR Data and Open-Source Algorithms for Unsupervised Burned Area Detection in Mediterranean Ecosystems, GIScience & Remote Sensing, 58(4), PP. 516-541, https://doi.org/10.1080/15481603.2021.1907896. Dostalova, A., Navacchi, C., Greimeister-Pfeil, I., Small, D. & Wagner, W., 2022, The Effects of Radiometric Terrain Flattening on SAR-Based Forest Mapping and Classification, Remote Sensing Letters, 13(9), PP. 855-864, https://doi.org/10.1080/ 2150704X.2022.2092911.
Dubois-Fernandez, P.C., Souyris, J.C., Angelliaume, S. & Garestier, F., 2008, The Compact Polarimetry Alternative for Spaceborne SAR at Low Frequency, IEEE Transactions on Geoscience and Remote Sensing, 46(10), PP. 3208-3222, https://doi.org/10.1109/TGRS.2008.919143. Filipponi, F., 2019, Sentinel-1 GRD Preprocessing Workflow, In Proceedings (Vol. 18, No. 1, P. 11), MDPI, https://doi.org/ 10.3390/ECRS-3-06201. Foody, G.M., 2002, Status of Land Cover Classification Accuracy Assessment, Remote Sensing of Environment, 80(1), PP. 185-201, https://doi.org/10.1016/S0034-4257(01)00295-4. Freeman, A., 1992, SAR Calibration: An Overview, IEEE Transactions on Geoscience and Remote Sensing, 30(6), PP, 1107-1121, https://doi.org/10.1109/36.193786. Grandini, M., Bagli, E. & Visani, G., 2020, Metrics for Multi-Class Classification: An Overview, arXiv Preprint arXiv: 2008.05756, https://doi.org/10.48550/arXiv. 2008.05756. Hu, B., Xu, Y., Huang, X., Cheng, Q., Ding, Q., Bai, L. & Li, Y., 2021, Improving Urban Land Cover Classification with Combined Use of Sentinel-2 and Sentinel-1 Imagery, ISPRS International Journal of Geo-Information, 10(8), P. 533, https:// doi.org/10.3390/ijgi10080533. Jahn, R., Blume, H.-P., Asio, V.B., Spaargaren, O. & Schad, P., 2006, Guidelines for Soil Description, Fao. Lee, J.-S., 1981, Refined Filtering of Image Noise Using Local Statistics, Computer Graphics and Image Processing, 15(4), PP. 380-389, https://doi.org/10.1016/S0146-664X(81)80018-4. Masoomi, A., Hamzehyan, R. & Shirazi, N.C., 2012, Speckle Reduction Approach for SAR Image in Satellite Communication, International Journal of Machine Learning and Computing, 2(1), P. 62, http://doi.org/10.7763/IJMLC.2012.V2.90. Ndikumana, E., Ho Tong Minh, D., Baghdadi, N., Courault, D. & Hossard, L., 2018, Deep Recurrent Neural Network for Agricultural Classification Using Multitemporal SAR Sentinel-1 for Camargue, France, Remote Sensing, 10(8), P. 1217, https://doi.org/10.3390/ rs10081217. Qadir, A., Skakun, S., Kussul, N., Shelestov, A. & Becker-Reshef, I., 2024, A Generalized Model for Mapping Sunflower Areas Using Sentinel-1 SAR Data, Remote Sensing of Environment, 306, P. 114132, https://doi.org/10.1016/j.rse.2024.114132. Rahbek, C., Borregaard, M.K., Hermansen, B., Nogues-Bravo, D. & Fjeldså, J., 2019, Definition and Description of the Montane Regions of the World, https:// macroecology.ku.dk/resources/mountain-regions. Sayedain, S.A., Maghsoudi, Y. & Eini-Zinab, S., 2020, Assessing the Use of Cross-Orbit Sentinel-1 Images in Land Cover Classification, International Journal of Remote Sensing, 41(20), PP. 7801-7819, https://doi.org/10.1080/01431161.2020.1763512. Šćepanović, S., Antropov, O., Laurila, P., Rauste, Y., Ignatenko, V. & Praks, J., 2021, Wide-Area Land Cover Mapping with Sentinel-1 Imagery Using Deep Learning Semantic Segmentation Models, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, PP. 10357-10374, https://doi.org/10.1109/ JSTARS. 2021.3116094. Small, D., 2011, Flattening Gamma: Radiometric Terrain Correction for SAR Imagery, IEEE Transactions on Geoscience and Remote Sensing, 49(8), PP. 3081-3093, https://doi.org/10.1109/TGRS.2011.2120616. Torres, R., Snoeij, P., Geudtner, D., Bibby, D., Davidson, M., Attema, E., ... & Rostan, F., 2012, GMES Sentinel-1 Mission, Remote Sensing of Environment, 120, PP. 9-24, https://doi.org/10.1016/j.rse.2011.05.028. Van Zyl, J.J., 2011, Synthetic Aperture Radar Polarimetry, John Wiley & Sons, https://doi.org/10.1002/9781118116104. Wang, H., Yang, H., Huang, Y., Wu, L., Guo, Z. & Li, N., 2023, Classification of Land Cover in Complex Terrain Using Gaofen-3 SAR Ascending and Descending Orbit Data, Remote Sensing, 15(8), P. 2177, https://doi.org/10.3390/rs15082177. | ||
|
آمار تعداد مشاهده مقاله: 465 تعداد دریافت فایل اصل مقاله: 280 |
||