Features to consider in land cover classification based on random forest
DOI:
https://doi.org/10.5564/mjgg.v61i45.3358Keywords:
Land cover, SNAP Toolbox, Machine learning, RFAbstract
In some modern digital image processing systems, different machine learning and high-level processing algorithms are being developed. A researcher can obtain high-quality thematic results by correctly and optimally determining the parameter values in the algorithm based on his or her own knowledge. This research aims to perform a land cover classification using a machine learning random forest (RF) classification algorithm on the SNAP Toolbox system and demonstrate how to adjust the classification parameters for efficient decision-making. In order to increase the classification accuracy, the study uses 3 different combinations of the integrated optical and synthetic aperture radar (SAR) data sets. The area in the southern part of Ulaanbaatar, the capital city, was selected as a test area for the study, and the land cover was classified into 6 different classes, such as the built-up area, forest, willow, grass, open land, and water. In the RF technique, the number of signatures were set as 5000, 10000, and 15000 and the related number of decision trees as 10, 50, and 100, respectively. As could be seen from the results of the study, the classification results of the combined multisource data sets had higher overall accuracies, and the result of 11 bands with the number of signatures set to 15000 and the decision trees set to 100, had the highest overall accuracy (92.68%).
Машин сургалтын анамсаргүй ойн аргаар газрын бүрхэвчийг ангилахад харгалзан үзэх онцлогууд
Орчин үеийн дүрсийн тоон боловсруулалтын зарим системд, машин сургалтын болон өндөр түвшингийн янз бүрийн аргууд бий болж байгаа бөгөөд судлаач өөрийн мэдлэг дээр тулгуурлан тухайн алгоритм дахь параметруудын утгуудыг зөв, оновчтой тодорхойлж өгснөөр өндөр чанарын үзүүлэлт бүхий сэдэвчилсэн үр дүнг гарган авах боломжтой. Энэхүү судалгаа нь SNAP Toolbox систем дээр машин сургалтын санамсаргүй ойн ангиллын алгоритмыг ашиглан газрын бүрхэвчийн ангилал хийхэд, ангиллын параметруудыг хэрхэн тохируулахыг харуулах үндсэн зорилготой бөгөөд нарийвчлалыг сайжруулах үүднээс олон эх сурвалжийн мэдээний сувгуудын 3 өөр янзын хоршлолыг ашиглав. Судалгааны загвар талбай болгон нийслэл Улаанбаатар хотын өмнөд хэсгийг сонгон авч, газрын бүрхэвчийг барилгажсан талбай, ой, бургас, өвс ургамал, сул газар, ус гэсэн үндсэн 6 ангид хуваан ангилсан бөгөөд сигнатурын тоог 5000, 10000, 15000, тэдгээрт харгалзах шийдвэрийн модыг 10, 50, 100 гэж тус тус тодорхойлов. Судалгааны үр дүнгээс харахад, оптикийн ба радарын нийлмэл мэдээг ангилсан үр дүнгүүд илүү өндөр ерөнхий нарийвчлалтай байсан бөгөөд сигнатурын тоог 15000, шийдвэрийн модыг 100 гэж тодорхойлсон 11 сувгийн үр дүн хамгийн өндөр нарийвчлалтай (92.68%) байсан болно.
Түлхүүр үгс: Газрын бүрхэвч, SNAP, Машин сургалт, RF
Downloads
31
References
[1]. R. B. Salama, "Remote sensing of soils and plants imagery," in Encyclopedia of Agrophysics, J. Gliński, J. Horabik, and J. Lipiec, Eds. Springer, Dordrecht, 2011. https://doi.org/10.1007/978-90-481-3585-1_132.
[2]. A. Enkhmanlai, E. Nyamjargal, D. Amarsaikhan, O. Munkhdulam, and B. Batbileg, "Estimation and mapping of pasture biomass in Mongolia using machine learning methods," Geocarto International, vol. 38, no. 1, pp. 1–17, 2023. https://doi.org/10.1080/10106049.2023.2195824.
[3]. R. H. Alexander, “Land use classification and change analysis using ERTS-l imagery in CARETS”. Symposium on significant results of remote sensing obtained from ERTS-1. Sec. B. pp. 923-930, 1973.
[4]. R. Welch, C.W.Pannell, C.P.Lo, “Land use in northeast China, 1973: A view from Landsat-1”. Annals of the Association of American Geographers, 65(4), 595–596. 1973.
[5]. M. Ganzorig, D. Amarsaikhan, and B. Enkhtuvshin, "An application of remote sensing and GIS technique in Mongolia," in Proceedings of European 'International Space Year' Symposium 1992, Munich, Germany, pp. 387–390, 1992.
[6]. D. Amarsaikhan, “Update of a GIS by RS data using a knowledge-based approach”. Abstract of PhD Dissertation, Mongolian Academy of Sciences, pp.25, 1997.
[7]. D. Amarsaikhan, T. Douglas, “Data fusion and multisource data classification”. International Journal of Remote Sensing, No.17, Vol.25, pp.3529-3539. https://doi.org/10.1080/0143116031000115111.
[8]. Э. Нямжаргал, С. Наранбат, Д. Амарсайхан, “Object-oriented classification of satellite imagery and lidardata”. Хүрэлтогоот-2018 эрдэм шинжилгээний хурлын эмхэтгэл, Улаанбаатар, pp.146-151, 2018.
[9]. Э. Жаргалдалай, А. Мөнх-Эрдэнэ, Д. Амарсайхан, ба Г. Адъяа-Очир, "Олон бүсчлэлийн хиймэл дагуулын мэдээ ашиглан газрын бүрхэвч болон газар ашиглалтыг машин сургалттай аргаар ангилсан дүн," Монгол Орны Газарзүй-Геоэкологийн Асуудлууд, vol. 42, ШУА-ийн Газарзүй-Геоэкологийн хүрээлэн, 2021.
[10]. Б. Бямбадолгор, Д. Амарсайхан, and Э. Нямжаргал, "MODIS дагуулын мэдээ ашиглан Монгол орны ойт хээр болон хээрийн бүсийн ургамлын биомассыг үнэлэн зураглах нь," Монгол Орны Газарзүй-Геоэкологийн Асуудлууд, vol. 44, ШУА-ийн Газарзүй-Геоэкологийн хүрээлэн, 2023.
[11]. ESA Sentinel Toolbox, ESA, 2015. [Online]. Available: http://step.esa.int.
[12]. G. C. Rosset and A. Klarsfeld, "Diversity, equity, and inclusion in artificial intelligence: An evaluation of guidelines," International Journal of Applied Artificial Intelligence, 2023. https://doi.org/10.1080/08839514.2023.2176618.
[13]. G.James, D.Witten, T.Hastie, and R.Tibshirani, Introduction to Statistical Learning with Applications in R. Springer, 2013.
[14]. H. Shihab, D. Stowa, K. Chang, D. Robertsb, and H. Gouliasb, "From land cover to land use: Applying random forest classifier to Landsat imagery for urban land-use change mapping," Geocarto International, pp. 83–99, 2021. https://doi.org/10.1080/10106049.2021.1897345.
[15]. C. Zheng, A. Abd-Elrahman, V. Whitaker, and C. Dalid, "Prediction of strawberry dry biomass from UAV multispectral imagery using multiple machine learning methods," Remote Sensing, vol. 14, no. 18, 4511, 2022. https://doi.org/10.3390/rs14184511
[16]. Y. Tian, H. Huang, G. Zhou, and Q. Zhang, "Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing," Science of The Total Environment, vol. 781, 146816, 2021. https://doi.org/10.1016/j.scitotenv.2021.146816.
[17]. S.Chakraborty, “Bayesian additive regression tree for seemingly unrelated regression with automatic tree selection”. Handbook of Statistics, Vol.35, 229-251, 2016.
[18]. G. Zheng, L. Zhong, Y. Li, H. Guan, "A random forest based method for urban object classification using lidar data and aerial imagery," 23rd International Conference on Geoinformatics, Wuhan, China, 1-4, 2015.
[19]. S. Amini, M. Saber, H. Rabiei-Dastjerdi, and S. Homayouni, "Urban land use and land cover change analysis using random forest classification of Landsat time series," Remote Sensing, vol. 14, no. 11, p. 2654, 2022. https://doi.org/10.3390/rs14112654.
[20]. J. Sun and S. Ongsomwang, "Optimal parameters of random forest for land cover classification with suitable data type and dataset on Google Earth Engine," Frontiers in Earth Science, vol. 11, 1188093, 2023. https://doi.org/10.3389/feart.2023.1188093.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Amarsaikhan Damdinsuren, Enkhmanlai Amarsaikhan, Enkhjargal Damdinsuren, Tsogzol Gurjav
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright on any research article in the Mongolian Journal of Geography and Geoecology is retained by the author(s).
The authors grant the Mongolian Journal of Geography and Geoecology a license to publish the article and identify itself as the original publisher.
Articles in the Mongolian Journal of Geography and Geoecology are Open Access articles published under a Creative Commons Attribution 4.0 International License CC BY.
This license permits use, distribution and reproduction in any medium, provided the original work is properly cited.
