Application of hyperspectral and radar data for a land cover classification

Authors

  • Amarsaikhan Damdinsuren Division of GIS and Remote Sensing, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia https://orcid.org/0000-0002-4715-6518
  • Enkhmanlai Amarsaikhan National Technical University, Ulaanbaatar, Mongolia
  • Enkhjargal Damdinsuren Division of GIS and Remote Sensing, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia
  • Jargaldalai Enkhtuya Division of GIS and Remote Sensing, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia
  • Tsogzol Gurjav Division of GIS and Remote Sensing, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia
  • Tsolmon Altanchimeg Division of GIS and Remote Sensing, Institute of Geography and Geoecology, Mongolian Academy of Sciences, Ulaanbaatar, Mongolia

DOI:

https://doi.org/10.5564/mjgg.v60i44.2937

Keywords:

SAR data, Supper vector classification, Spectral angle mapper, Accuracy

Abstract

In the modern digital image processing of remote sensing (RS) data, hyperspectral datasets combined with other multisource information are widely used for land cover classification and other thematic studies. The aim of this study was to integrate Hyperion hyperspectral image with dual-polarization Envisat synthetic aperture radar (SAR) data and compare the performances of support vector classification and spectral angle mapper methods on the combined datasets for a land cover discrimination. As a test site, an area covering the central and southern parts of the capital city of Ulaanbaatar was selected. The land cover classifications were conducted on two different band combinations (i.e. 4 bands of Hyperion sensor and Envisat dual-polarization data, and 99 bands of Hyperion sensor and Envisat dual-polarization data). The lowest accuracy demonstrated the spectral angle mapper and combination of 4 bands of Hyperion sensor and Envisat data, while the highest accuracy showed the support vector classifier and 99 bands of Hyperion sensor and Envisat data. As could be seen from the research, besides the applied classification methods, it is important to consider such factors as data structure, feature selection, and properties of image objects. Хайперспектрийн ба радарын мэдээ ашиглан газрын бүрхэвчийг ангилсан дүн ХУРААНГУЙ: Орчин үеийн зайнаас тандсан мэдээний тоон боловсруулалтад, хайперспектрийн мэдээг тандан судалгааны бусад эх сурвалжийн мэдээтэй нийлүүлэн газрын бүрхэвчийн ангилал болон өөр төрлийн сэдэвчилсэн судалгаанд ихээхэн ашиглаж байна. Энэхүү судалгаа нь Hyperion сенсорын хэт олон сувгийн мэдээг Envisat дагуулаас хос туйлшралаар хүлээн авсан синтетик апертурт радар (САР)-ын өгөгдөлтэй нийлүүлэн нэгдмэл мэдээ болгож, улмаар уг нийлмэл мэдээн дээрх газрын бүрхэвчийн ангиуд бие, биеэсээ хэрхэн ялгарч байгааг тулах векторын ангилал, спектрийн өнцгийн маппер зэрэг аргуудыг ашиглан, харьцуулан судлах үндсэн зорилготой. Судалгааны загвар талбай болгон Улаанбаатар хотын төвийн болон өмнөд хэсгийг хамарсан газрыг сонгон авч, газрын бүрхэвчийн ангиллыг сувгуудын 2 өөр хоршлол (Hyperion сенсорын 4 сувгийн болон Envisat дагуулын хос туйлшралын мэдээ, Hyperion сенсорын 99 сувгийн болон Envisat дагуулын мэдээ) дээр хийв. Hyperion сенсорын 4 сувгийн болон Envisat дагуулын мэдээг спектрийн өнцгийн маппер аргаар ангилсан дүн хамгийн бага нарийвчлалтай (80.24%) байсан бол Hyperion сенсорын 99 сувгийн болон Envisat дагуулын мэдээг тулах векторын аргаар ангилсан дүн хамгийн өндөр нарийвчлалтай (89.11%) байлаа. Судалгаанаас харахад, тухайн ангиллын үр дүнд, ашиглаж байгаа аргаас гадна, өгөгдлийн бүтэц, сувгийн сонголт, дүрс мэдээн дээрх биесийн шинж чанар зэрэг олон хүчин зүйлс нөлөөтэй гэдэг нь харагдаж байна.
Түлхүүр үгс: САР-ын мэдээ, Тулах векторын арга, Спектрийн өнцгийн маппер, Нарийвчлал

Abstract
12
PDF 16

References

. Д. Д.Амарсайхан, "Хайперспектрийн мэдээг ангилах загвар". ШУА-ийн Информатикийн Хүрээлэнгийн Эрдэм Шинжилгээний Бүтээл, pp. 7-12, 2011.

. Д. Амарсайхан, Радарын тандан судлал, радарын мэдээнд дүн шинжилгээ хийх зарчмууд, Улаанбаатар: Эрдэм хэвлэл, 2013.

. V. Kumar, S.R. Venkatachalaperumal, C. Persello, "Synergistic fusion of spaceborne polarimetric SAR and hyperspectral data for land cover classification". Spaceborne Synthetic Aperture Radar Remote Sensing, CRC Press/Balkema, pp.169-210, 2023. https://doi.org/10.1201/9781003204466-8

. K.Wolfgang, I.Martin, H.Friedrichshafen, "Multi-Temporal Hyperspectral and Radar Remote Sensing for Estimating Winter Wheat Biomass in the North China Plain". Photogrammetrie - Fernerkundung - Geoinformation, 3. pp.281-298. Schweizerbart. ISSN 14328364, 2012. https://doi.org/10.1127/1432-8364/2012/0117

. L. Dabbiru, S. Samiappan, R. A. A. Nobrega, J. A. Aanstoos, N. H. Younan and R. J. Moorhead, "Fusion of synthetic aperture radar and hyperspectral imagery to detect impacts of oil spill in Gulf of Mexico". IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, 2015, pp. 1901-1904, 2015. https://doi.org/10.1109/IGARSS.2015.7326165

. D.Tapete, F.Cigna, S.Paloscia, et al. "Development of algorithms for the estimation of hydrological parameters combining COSMO-SkyMed and Sentinel time series with in situ measurements". IEEE Mediterranean and Middle-East Geoscience and Remote Sensing Symposium 2020 (M2GARSS 2020), pp. 53-56, 2020. https://doi.org/10.1109/M2GARSS47143.2020.9105313

. E.Chiarito, F.Cigna, G.Cuozzo, et al. "Biomass retrieval based on genetic algorithm feature selection and support vector regression in Alpine grassland using ground-based hyperspectral and Sentinel-1 SAR data". European Journal of Remote Sensing, 54:1, pp. 209-225, 2021. https://doi.org/10.1080/22797254.2021.1901063

. Э.Нямжаргал, Д.Амарсайхан, "Газрын бүрхэвчийг пиксел болон объектэд суурилсан аргуудаар ангилан харьцуулсан дүн". Монгол Орны Газарзүй-Геоэкологийн Асуудлууд сэтгүүл, №43, ШУА-ийн Газарзүй-Геоэкологийн хүрээлэн, 2022.

. G. Mallinis, G. Galidaki and I. Gitas, "Comparative Analysis of EO-1 Hyperion, Quickbird and Landsat TM Imagery for Fuel Type Mapping of a Typical Mediterranean Landscape". Remote sensing, vol. 6, no. 2, pp. 1684-1704, 2014. https://doi.org/10.3390/rs6021684

. EnviSat (Environmental Satellite), https://www.eoportal.org/satellite, 2012

. ENVI User's Guide, Visual Information Solutions, 2009.

. ERDAS, "ERDAS Field Guide", Atlanta, Georgia, 2009.

. G. James, D. Witten, T. Hastie. and R. Tibshirani, "Introduction to Statistical Learning with applications in R". Springer Publisher, 2013. https://doi.org/10.1007/978-1-4614-7138-7

. B. B. Sinaice, N. Owada, H. Ikeda, H. Toriya, Z. Bagai, E. Shemang, T. Adachi and Y. Kawamura, "Spectral Angle Mapping and AI Methods Applied in Automatic Identification of Placer Deposit Magnetite Using Multispectral Camera Mounted on UAV". Minerals, vol. 12, no. 2, p. 268, 2022. https://doi.org/10.3390/min12020268

. C. T. De Almeida, L.S. Galvão, L.E.O.C.E. De Aragão, et. al. 2019, Combining LiDAR and hyperspectral data for aboveground biomass modeling in the Brazilian Amazon using different regression algorithms. Remote Sensing of Environment, 232. https://doi.org/10.1016/j.rse.2019.111323

. М. Vega-Araya, "Applications of Hyper-spectral and Radar Remote Sensing analysis: a case study in Costa Rica". Göttingen State and University Library, http://dx.doi.org/10.53846 /goediss-2359, 2012.

Downloads

Published

2023-12-28

How to Cite

Damdinsuren, A., Amarsaikhan, E., Damdinsuren, E., Enkhtuya, J., Gurjav, T., & Altanchimeg, T. (2023). Application of hyperspectral and radar data for a land cover classification . Mongolian Journal of Geography and Geoecology, 60(44), 125–134. https://doi.org/10.5564/mjgg.v60i44.2937

Issue

Section

Articles