The main goal of this study is to evaluate different models for further improvement of the accuracy of land use and land cover (LULC) classification on Google Earth Engine using random forest (RF) and support vector machine (SVM) learning algorithms. Ten indices, namely normalized difference vegetation index, normalized difference soil index, index-based built-up index, biophysical composition index, built-up area extraction index (BAEI), urban index, new built-up index, band ratio for built-up area, bare soil index, and normalized built up area index, were used as input parameters for the machine learning algorithms to improve classification accuracy. The combinatorial analysis of the Sentinel-2 bands and the aforementioned indices allowed us to create four combinations based on surface reflectance characteristics. The study includes data from April 2020 to September 2021 and April 2022 to June 2022. The multitemporal Sentinel-2 data with spatial resolutions of 10 m were used to determine the LULC classification. The major land use classes such as water, forest, grassland, urban areas, and other lands were obtained. Generally, the RF algorithm showed higher accuracy than the SVM. The overall accuracy for RF and SVM was 86.56% and 84.48%, respectively, and the mean Kappa was 0.82 and 0.79, respectively. Using the combination 2 with the RF algorithm and combination 4 with the SVM algorithm for LULC classification was more accurate. The additional use of vegetation indices allowed to increase in the accuracy of LULC classification and separate classes with similar reflection spectra.

No abstract

Кандидат технічних наук, молодший науковий співробітник відділу геоінформаційних технологій в дистанційному зондуванні Землі (ГІТ в ДЗЗ), orcid.org/0000-0002-7284-6502 Науковий Центр аерокосмічних досліджень Землі ІГН НАН України, Київ НОВИЙ ПІДХІД ДО ЗАСТОСУВАННЯ ПРАВИЛА ДИСКОНТУВАННЯ ПРИ КЛАСИФІКУВАННІ ГІПЕРСПЕКТРАЛЬНИХ КОСМІЧНИХ ЗОБРАЖЕНЬ Анотація. На сьогодні об'єднання інформації є однією із найбільш важливих процедур при класифікуванні гіперспектральних космічних зображень. Метою об'єднання інформації є спрощення даних, отриманих із різних джерел. Багато відомих методів об'єднання включають знаходження середнього арифметичного, середнього геометричного, максимального та мінімального значень. Правила комбінування є особливим типом методів об'єднання даних, отриманих із різних джерел. Ці джерела надають різні оцінки одним і тим же гіпотезам. Вимога щодо незалежності всіх джерел інформації є дуже важливим питанням. Опрацювання суперечливої інформації та комбінування суперечливих даних є дуже складною проблемою в задачах класифікування. Але багато відомих правил комбінування дають неправильні результати за наявності досить суперечливих частин свідчення. Відомі правила комбінування більше акцентують увагу на узгоджених джерелах інформації та ігнорують усі суперечливі частини свідчення. Ці правила не працюють за наявності досить суперечливих даних. Ось чому комбінування суперечливих частин свідчення є найбільш важливим питанням у дистанційному зондуванні Землі. У статті пропонується правило дисконтування для роботи із суперечливими джерелами інформації. Застосовуючи правило дисконтування, спочатку можна дисконтувати джерела, а потім скомбінувати результуючі базові маси за допомогою будь-якого відомого правила комбінування, використовуючи коефіцієнт дисконтування. Цей коефіцієнт дисконтування враховує абсолютну надійність джерел. Абсолютна надійність припускає, що ми можемо розрізняти джерела даних за надійністю і можемо виразити математично відмінності між різними джерелами. Також було зазначено, що правило дисконтування надає ненульову базову масу фрейму розрізнення. Ця процедура не змінює початкової інформації. Також розглянуто приклад застосування правила дисконтування для класифікування космічних зображень. Описане правило дисконтування може бути застосоване при класифікуванні лісів, при пошуку корисних копалин та розв'язку різноманітних екологічних і тематичних завдань. Ключові слова: гіперспектральне космічне зображення; правило дисконтування; класифікування зображень; базова маса Alpert Sofiia PhD (Eng.