Land cover classification using machine-learning method and vegetation indices

Authors

  • Jargaldalai Enkhtuya Division of Remote Sensing and Spatial Modeling, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia
  • Amarsaikhan Damdinsuren Division of Remote Sensing and Spatial Modeling, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia
  • Bilguun Ulziibat Division of Remote Sensing and Spatial Modeling, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia
  • Munkh-Erdene Altangerel 2Institute of Mathematics and Digital Technology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia

DOI:

https://doi.org/10.5564/mjgg.v59i43.2532

Keywords:

Land cover classification, Machine learning, RF, SVM

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

Abstract
133
PDF 142

References

А. Мөнх-Эрдэнэ, О. Мөнхдулам, “Зайнаас тандсан дүрс мэдээг боловсруулах хиймэл оюуны аргууд ба тэдгээрийн хэрэглээ”, “Орон зайн мэдээ” сэтгүүл, ГЗБГЗЗГ . 2021.

Д. Амарсайхан, “Орчин үеийн Газарзүйн мэдээллийн систем, тандан судлалын зарчмууд”, нэгэн сэдэвт бүтээл, хх32,8, ШУА Монгол улс, 2019.

G. Camps-Valls, Machine learning in remote sensing data processing. IEEE international 463 workshop on machine learning for signal processing, pp 1–6, September. 2009. Available: https://doi.org/10.1109/MLSP.2009.5306233

N. Sisodiya, N. Dube, & P. Thakkar, Next-generation artificial intelligence techniques for satellite data processing. In Artificial Intelligence Techniques for Satellite Image Analysis (pp. 235-254). Springer, Cham. 2020. Available: https://doi.org/10.1007/978-3-030-24178-0_11

Д. Батсүрэн, Даатгуулагчийн эрсдэлийг машин сургалтаар үнэлэх. Хүмүүнлэгийн Ухааны Их Сургуулийн Бизнесийн Сургууль, Санхүү Эдийн засгийн тэнхим. 2020.

Sentinel-2 User Handbook,. ESA Standard Document, ESA, pp.64. 2015.

S. Chakraborty, Bayesian Additive Regression Tree for Seemingly Unrelated Regression with Automatic Tree Selection, Handbook of Statistics, Volume 35, Pages 229-251. 2016. Available: https://doi.org/10.1016/bs.host.2016.07.007

А. Мөнх-Эрдэнэ, Сансрын олон эх сурвалжийн мэдээгээр ойн мэдээллийн санг баяжуулах аргазүйн асуудалд. докторын зэрэг горилсон бүтээл, 54 хуудас. 2019.

P. M. Mather, M. Koh, Computer Processing of Remotely-Sensed Images: an Introduction. Fourth edition (Wiley-Blackwell). 2011. Available: https://doi.org/10.1002/9780470666517

G. Li, D. Lu, E. Moran, and S. Hetrick, Land-cover classification in a moist tropical region of Brazil with Landsat TM imagery, International Journal of Remote Sensing, 32(23), pp.8207–8230. 2011. Available: https://doi.org/10.1080/01431161.2010.532831

Downloads

Published

2022-12-29

How to Cite

Enkhtuya, J., Damdinsuren, A., Ulziibat, B., & Altangerel, M.-E. (2022). Land cover classification using machine-learning method and vegetation indices. Mongolian Journal of Geography and Geoecology, 59(43), 235–242. https://doi.org/10.5564/mjgg.v59i43.2532

Issue

Section

Articles