Land cover classification using machine-learning method and vegetation indices

Abstract

Machine-learning offers the potential for effective and efficient classification of remotely sensed imagery. The strength of the machine-learning include the capacity to handle data of high dimensionality and to map classes with very complex characteristics. This study aimed to apply the machine-learning method for an improved land cover classification. For this purpose, multispectral Sentinel-2 data along with 3 vegetation indices (NDVI -normalized difference vegetation index, TSAVI-transformed soil adjusted vegetation index, and MTVI-modified triangular vegetation index) were acquired in July 2021 around Zuunburen soum, Selenge province, and analysed to classify and compare land cover using random forest (RF) and support vector machine (SVM) techniques. For the actual classifications, three vegetation indices, NDVI, TSAVI, and MTVI, which were derived from the visible and infrared bands of Sentinel-2a, were used. As the result, the land cover was classified into 5 classes including forest, cropland, grass, soil, and water, and the overall accuracy of the machine-learning method was above 87%.
 Газрын бүрхэвчийг машин сургалттай ангиллын арга болон ургамлын индексүүд ашиглан ангилах нь
 ХУРААНГУЙ
 Машин сургалттай ангиллын арга нь зайнаас тандсан мэдээг илүү үр дүнтэй, нарийвчлалтай сайтай ангилах боломжийг олгодог. Уг ангиллын давуу тал нь их хэмжээний өгөгдөлтэй ажиллах, маш нарийн төвөгтэй шинж чанар бүхий ангиудыг ангилахад оршино. Энэхүү судалгаа нь Сэлэнгэ аймгийн Зүүнбүрэн сумын нутгийн Sentinel-2 хиймэл дагуулын олон бүсчлэлийн мэдээнд санамсаргүй форест, тулах векторын зэрэг машин сургалттай ангиллын аргуудыг ашиглан, газрын бүрхэвчийн ангилал хийж, харьцуулсан дүгнэлт хийх зорилготой бөгөөд ангилалд NDVI, TSAVI, MTVI гэсэн 3 төрлийн ургамлын индексийг ашигласан болно. Дүн шинжилгээнд, газрын бүрхэвчийг ус, ой, тариалан, ногоон ургамал, хөрс гэсэн 5 ангид хуваан ангилсан ба эцсийн үр дүнгээс харахад машин сургалттай аргуудын ерөнхий нарийвчлал 87%-иас дээш байлаа.
 Түлхүүр үгс: Газрын бүрхэвчийн ангилал, Машин сургалт, Санамсаргүй форест, Тулах векторын арга