fa طبقه‌بندی پوشش زمین مبتنی بر روش‌های یادگیری ماشین و یادگیری عمیق با استفاده از تصاویر ماهواره‌ای سنتینل-2، مطالعه موردی: منطقه شهری غرب تهران فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="font-size:12px;">تولید نقشه‌های پوششی زمین اطلاعات مهمی از نوع اراضی و ویژگی‌های آن‌ها را فراهم کرده و در به روزرسانی نقشه‌های شهری، مدیریت منابع طبیعی، حفاظت از محیط زیست و توسعه پایدار نقش مهمی دارد. در این رابطه استفاده از تکنیک‌های پردازش تصویری و داده‌های رایگان سنجش از دور یک روش بهینه برای تولید نقشه پوششی زمین (LCM) محسوب می‌شود. در این مطالعه جهت تولید LCM از رویکردهای مختلف هوش مصنوعی شامل الگوریتم‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) استفاده شده است. رویکرد ML شامل دو مرحله‌ی استخراج ویژگی و طبقه‌بندی است. در بخش استخراج ویژگی از ویژگی‌های بافتی مستخرج از ماتریس‌ هم‌رخداد سطح خاکستری (GLCM) اعم از میانگین، واریانس، همگنی، تضاد و آنتروپی استفاده گردید و در مرحله طبقه بندی الگوریتم‌های طبقه‌بندی کننده رگرسیون لجستیک (LR)، درخت تصمیم (DT)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) به کارگرفته شد. در رویکرد DL از مدل‌های تقسیم‌بندی معنایی یادگیری عمیق شامل مدل‌های U-Net، U-Net++، ResU-Net و MRU-Net استفاده گردید. برای ارزیابی دقت الگوریتم‌های ML و DL در تولید نقشه کاربری زمین، از تصاویر سنتینل-2 مربوط به دو منطقه واقع در غرب شهر تهران استفاده گردید. نتایج این مطالعه در سه بخش مختلف ML، &nbsp;DL و مقایسه آن‌ها مورد بررسی قرار گرفت. در بخش ML، مدل &nbsp;RFکه از ترکیب باندهای اصلی تصویر و ویژگی‌های بافتی استفاده کرده بود، با دقت کلی %95/21 و ضریب کاپای %92/62 نسبت به سایر مدل‌ها عملکرد بهتری داشت. در بخش &nbsp;DLمدل MRU-Net با دقت کلی %95/33 و ضریب کاپای %92/73 در مقایسه با دیگر مدل‌های عمیق مطلوب ترین LCM را تولید کرد. مدل MRU-Net &nbsp;بدون استفاده از ویژگی‌های بافتی، بهبود دقت کلی و ضریب کاپای به ترتیب به میزان %0/53 و %0/82 نسبت به مدل RF با ترکیب باندهای اصلی تصویر داشت. همچنین، در مقایسه با مدل RF که از ترکیب باندهای اصلی و ویژگی‌های بافتی استفاده کرده بود، دقت کلی و ضریب کاپای مدل MRU-Net به ترتیب &nbsp;%0/12 و %0/11 بیشتر بود.</span></span></div> <div style="text-align: justify;"></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;">The production of land cover maps (LCM) provides essential information about land types and their characteristics, playing a significant role in updating urban maps, managing natural resources, environmental protection, and sustainable development. In this context, the use of image processing techniques and free remote sensing data is considered an optimal method for generating land cover maps (LCM). In this study, various artificial intelligence approaches, including machine learning (ML) and deep learning (DL) algorithms, were used to produce the LCM. The ML approach includes two stages: feature extraction and classification. In the feature extraction stage, texture features extracted from the gray-level co-occurrence matrix (GLCM), including mean, variance, homogeneity, contrast, and entropy, were used. For classification, the logistic regression (LR), decision tree (DT), random forest (RF), and support vector machine (SVM) algorithms were employed. In the DL approach, deep learning semantic segmentation models, including U-Net, U-Net++, ResU-Net, and MRU-Net, were used. To evaluate the accuracy of the ML and DL algorithms in producing the land cover map, Sentinel-2 images from two areas located in the west of Tehran were utilized. The results of this study were examined in three different sections: ML, DL, and their comparison. In the ML section, the RF model, which used a combination of the image&#39;s primary bands and texture features, performed better than other models with an overall accuracy of 95.21% and a Kappa coefficient of 92.62%. In the DL section, the MRU-Net model produced the most optimal LCM with an overall accuracy of 95.33% and a Kappa coefficient of 92.73% compared to other deep models. The MRU-Net model, without using texture features, improved overall accuracy and the Kappa coefficient by 0.53% and 0.82%, respectively, compared to the RF model using a combination of primary image bands. Furthermore, compared to the RF model, which used a combination of primary bands and texture features, the MRU-Net model&#39;s overall accuracy and Kappa coefficient were 0.12% and 0.11% higher, respectively.</span></span></div> طبقه‌بندی پوشش زمین, یادگیری ماشین, یادگیری عمیق, U-Net Land Cover Classification, Machine Learning, Deep Learning, U-Net 55 69 http://jgst.issgeac.ir/browse.php?a_code=A-10-1099-1&slc_lang=fa&sid=1 Dana Saeedi دانا سعیدی D.saeedi@email.kntu.ac.ir 100319475328460010760 100319475328460010760 No Khajeh Nasir Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Ehsan Khankeshizadeh احسان خانکشی زاده Seyedehsan.khankeshizadeh@email.kntu.ac.ir 100319475328460010761 100319475328460010761 No Khajeh Nasir Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Tayebe Managhebi طیبه مناقبی tb.managhebi@gmail.com 100319475328460010762 100319475328460010762 Yes College of Engineering, University of Tehran پردیس دانشکده‌های فنی دانشگاه تهران Mohammad Karimi محمد کریمی mkarimi@kntu.ac.ir 100319475328460010763 100319475328460010763 No Khajeh Nasir Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Mohammadzadeh علی محمدزاده a_mohammadzadeh@kntu.ac.ir 100319475328460010764 100319475328460010764 No Khajeh Nasir Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی