การจำแนกการใช้ประโยชน์ที่ดินในจังหวัดนครนายก ด้วยอัลกอริธึมการเรียนรู้เครื่องและภาพถ่ายจากดาวเทียม Sentinel-2
Land Use Classification in Nakhon Nayok Province Using Machine Learning Algorithms and Sentinel-2 Image
Keywords:
การใช้ประโยชน์ดิน , การจำแนก , การเรียนรู้เครื่อง , ภาพถ่ายจากดาวเทียม , เซนติเนล-2, land use , classification, machine learning , satellite image , Sentinel-2Abstract
ลักษณะความเป็นพลวัตรของการใช้ประโยชน์ที่ดินมีส่วนเกี่ยวข้องกับสภาพเศรษฐกิจและสังคมในท้องถิ่นที่เปลี่ยนแปลงไป จังหวัดนครนายกมีลักษณะการใช้ที่ดินหลักเป็นพื้นที่ปลูกพืชไร่และสถานที่ท่องเที่ยวทางธรรมชาติซึ่งมีการเปลี่ยนแปลงอย่างรวดเร็ว การมีข้อมูลการใช้ประโยชน์ที่ดินที่ทันสมัยเป็นสิ่งที่สำคัญต่อการบริหารจัดการภายในจังหวัด ที่ผ่านมาภาพถ่ายจากดาวเทียมที่ให้บริการแบบไม่มีค่าใช้จ่ายนิยมถูกนำมาใช้สำหรับช่วยในกระบวนการจำแนกร่วมกับตัวจำแนกประเภทต่าง ๆ นอกจากนี้การเรียนรู้เครื่องได้ถูกนำมาใช้กับงานด้านการจำแนกการใช้ประโยชน์ที่ดินเพื่อเพิ่มประสิทธิภาพของวิธีการจำแนก อย่างไรก็ตามในการจำแนกการใช้ประโยชน์ที่ดินจำเป็นต้องดำเนินการทดสอบกระบวนการจำแนกเพื่อหาตัวจำแนกที่ให้ผลลัพธ์การจำแนกได้มีความถูกต้องมากที่สุด งานวิจัยนี้ได้ทดสอบประสิทธิภาพของตัวจำแนกการเรียนรู้เครื่อง จำนวน 4 วิธีการ ได้แก่ ข่ายประสาทเทียม (artificial neural network) ต้นไม้ตัดสินใจ (decision tree) ป่าสุ่ม (random forest) และซัพพอร์ทเวกเตอร์แมชชีน (support vector machine) รวมถึงวิธีการจำแนกแบบมาตรฐานแบบความน่าจะเป็นสูงสุด (maximum likelihood) ในกระบวนการจะทดสอบเพื่อหาไฮเพอร์พารามิเตอร์ของตัวจำแนกที่เหมาะสมผลที่ได้จะถูกนำมา พิจารณาเพื่อเลือกวิธีที่ให้ค่าความถูกต้องการจำแนกสูงที่สุดด้วยค่าความถูกต้องโดยรวม F-1score ค่าสถิติแคปปา (kappa coefficient) และค่าสถิติ Z-test ผลการจำแนกพบว่าตัวจำแนกป่าสุ่มมีประสิทธิภาพในการจำแนกการใช้ประโยชน์ที่ดินมากที่สุดโดยมีค่าความถูกต้องโดยรวมที่ร้อยละ 92.00 ตามด้วยต้นไม้ตัดสินใจ ข่ายประสาทเทียม ซัพพอร์ทเวกเตอร์แมชชีน และ ความน่าจะเป็นสูงสุด (ร้อยละ 84.00 69.00 65.00 และ 63.00 ตามลำดับ) ผลการทดสอบ Z-test ช่วยยืนยันถึงความแตกต่างของตัวจำแนกป่าสุ่มกับตัวจำแนกอื่นอย่างมีนัยสำคัญที่ระดับความเชื่อมั่นร้อยละ 95 The dynamic of land use can be recognized as the transformation of local socio-economic. Nakhon Nayok Province exhibits the field crop and environmental destination as significant sites, and it further reveals an active transition of local land use. Therefore, acquiring updated land-use information is significant to local management and administration. Recently, satellite imagery has been freely available and incorporated with the classification process using any classifiers. In addition, machine learning classifiers have been introduced to increase the potential of classification. However, applying these classifiers demands experimentsto identify the fittest algorithm. This articleexamined the potential of four machine learning algorithms: analytical neural network (ANN), decision tree (DT), random forest (RF), and support vector machine (SVM), including the standard classifier (maximum likelihood: MLC). Hyperparameters of each machine learning algorithm have been inquired properly. Classification results were then selected to identify the most desirable classifier using overall accuracy, F1-score, kappa coefficient, and Z-statistics. According to the result, the random forest has been reported as the best classifier, which gains 92.00% of overall accuracy—followed by a decision tree, analytical neural network, support vector machine, and maximum likelihood classifier (84.00. 69.00, 65.00, and 63.00 of overall accuracy, respectively). The Z-statistics also confirmed that the random forest had a significant difference compared with other classifiers at a 95% confidence level.References
Abdi, A. M. (2020). Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. Giscience & Remote Sensing, 57(1), 1-20. doi:10.1080/15481603.2019.1650447
Aggarwal, N., Srivastava, M., & Dutta, M. (2016). Comparative analysis of pixel-based and object-based classification of high resolution remote sensing images—A review. Int. J. Eng. Trends Technol, 38(1), 5-11.
Arora, M. K., & Watanachaturaporn, P. (2004). Support vector machines for classification of multi-and hyperspectral data. In Advanced image processing techniques for remotely sensed hyperspectral data (pp. 237-255): Springer.
Aurélien, G. (2017). Hands-on machine learning with scikit-learn & tensorflow. Geron Aurelien.
Congalton, R. G., & Green, K. (2019). Assessing the accuracy of remotely sensed data: principles and practices: CRC press.
Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees: CRC press.
Dubeau, P., King, D. J., Unbushe, D. G., & Rebelo, L.-M. (2017). Mapping the Dabus wetlands, Ethiopia, using random forest classification of Landsat, PALSAR and topographic data. Remote Sensing, 9(10), 1056.
Ge, G., Shi, Z., Zhu, Y., Yang, X., & Hao, Y. (2020). Land use/cover classification in an arid desert-oasis mosaic landscape of China using remote sensed imagery: Performance assessment of four machine learning algorithms. Global Ecology and Conservation, 22, e00971. doi:https://doi.org/10.1016/j.gecco.2020. e00971
Imran, A. B., Khan, K., Ali, N., Ahmad, N., Ali, A., & Shah, K. (2020). Narrow band based and broadband derived vegetation indices using Sentinel-2 Imagery to estimate vegetation biomass. Global Journal of Environmental Science and Management-Gjesm, 6(1), 97-108. doi:10.22034/gjesm.2020.01.08
Intarat, K., & Sillaparat, S. (2019). Tropical Mangrove Species Classification Using Random Forest Algorithm and Very High-Resolution Satellite Imagery. Burapha Science Journal, 24(2), 742-753. (in Thai)
Jhonnerie, R., Siregar, V. P., Nababan, B., Prasetyo, L. B., & Wouthuyzen, S. (2015). Random forest classification for mangrove land cover mapping using Landsat 5 TM and ALOS PALSAR imageries. Procedia Environmental Sciences, 24, 215-221
Lennon, R. (2002). Remote sensing digital image analysis: An introduction. United States: Esa/Esrin.
Lillesand, T., Kiefer, R. W., & Chipman, J. (2015). Remote sensing and image interpretation: John Wiley & Sons.
Majnouni-Toutakhane, A. (2020). Modeling the Land Use Change Process on the South Coast of the Caspian Sea Using Logistic Regression and Artificial Neural Network. Journal of Environmental Accounting and Management, 8(2), 111-123. doi:10.5890/jeam.2020.06.001
Mazzia, V., Khaliq, A., & Chiaberge, M. (2020). Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (RCNN). Applied Sciences-Basel, 10(1). doi:10.3390/app10010238
Macintyre, P., van Niekerk, A., & Mucina, L. (2020). Efficacy of multi-season Sentinel-2 imagery for compositional vegetation classification. International Journal of Applied Earth Observation and Geoinformation, 85. doi:10.1016/j.jag.2019.101980
Meyer, D., Leisch, F., & Hornik, K. (2003). The support vector machine under test. Neurocomputing, 55(1-2), 169-186.
de Oliveira Duarte, D. C., Zanetti, J., Junior, J. G., & das Graças Medeiros, N. (2018). Comparison of supervised classification methods of maximum likelihood, minimum distance, parallelepiped and neural network in images of unmanned air vehicle (UAV) in Viçosa-MG. Revista Brasileira de Cartografia, 70(2), 437-452.
Piedelobo, L., Hernandez-Lopez, D., Ballesteros, R., Chakhar, A., Del Pozo, S., Gonzalez-Aguilera, D., & Moreno, M. A. (2019). Scalable pixel-based crop classification combining Sentinel-2 and Landsat-8 data time series: Case study of the Duero river basin. Agricultural Systems, 171, 36-50. doi:10.1016/j.agsy.2019.01.005
Ramo, R., & Chuvieco, E. (2017). Developing a random forest algorithm for MODIS global burned area classification. Remote Sensing, 9(11), 1193.
Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. Isprs Journal of Photogrammetry and Remote Sensing, 67, 93-104.
Saboori, M., Torahi, A. A., & Bakhtyari, H. R. R. (2019). Combining multi-scale textural features from the panchromatic bands of high spatial resolution images with ANN and MLC classification algorithms to extract urban land uses. International Journal of Remote Sensing, 40(22), 8608-8634. doi:10.1080/01431161.2019.1620371
Shrestha, A., & Mahmood, A. (2019). Review of Deep Learning Algorithms and Architectures. Ieee Access, 7, 53040-53065. doi:10.1109/access.2019.2912200
Silva, L. P. e., Xavier, A. P. C., da Silva, R. M., & Santos, C. A. G. (2020). Modeling land cover change based on an artificial neural network for a semiarid river basin in northeastern Brazil. Global Ecology and Conservation, 21, e00811. doi:https://doi.org/10.1016/j.gecco.2019.e00811
Sun, C. L., Bian, Y., Zhou, T., & Pan, J. L. (2019). Using of Multi-Source and Multi-Temporal Remote Sensing Data Improves Crop-Type Mapping in the Subtropical Agriculture Region. Sensors, 19(10). doi:10.3390/s19102401
Vasilakos, C., Kavroudakis, D., & Georganta, A. (2020). Machine Learning Classification Ensemble of Multitemporal Sentinel-2 Images: The Case of a Mixed Mediterranean Ecosystem. Remote Sensing, 12(12). doi:10.3390/rs12122005
Viera, A. J., & Garrett, J. M. (2005). Understanding interobserver agreement: the kappa statistic. Fam med, 37(5), 360-363.
Wang, D., Wan, B., Qiu, P., Su, Y., Guo, Q., & Wu, X. (2018). Artificial mangrove species mapping using pléiades1: An evaluation of pixel-based and object-based classifications with selected machine learning algorithms. Remote Sensing, 10(2), 294.
Watanachaturaporn, P., Arora, M. K., & Varshney, P. K. (2008). Multisource classification using support vector machines: An empirical comparison with decision tree and neural network classifiers. Photogrammetric Engineering and Remote Sensing, 74(2), 239-246. doi:10.14358/pers.74.2.239
Zhang, K. X., Wu, X. L., Niu, R. Q., Yang, K., & Zhao, L. R. (2017). The assessment of landslide susceptibility mapping using random forest and decision tree methods in the Three Gorges Reservoir area, China. Environmental Earth Sciences, 76(11). doi:10.1007/s12665-017-6731-5
Zhu, Y., Liu, K., Liu, L., Myint, S. W., Wang, S., Liu, H., & He, Z. (2017). Exploring the potential of worldview-2 rededge band-based vegetation indices for estimation of mangrove leaf area index with machine learning algorithms. Remote Sensing, 9(10), 1060.
