دانشگاه تربیت دبیر شهید رجایی پژوهش های سنجش از دور و اطلاعات مکانی 3041-8976 2 1 2023 12 22 Using Machine Learning Methods for Classify Landsat 9 Satellite Images in Order to Evaluate The Area of Urban Land Uses (West of Tehran) استفاده از روش‌های یادگیری ماشین برای طبقه‌بندی تصاویر ماهواره‌ای لندست 9 به‌منظور ارزیابی مساحت کاربری‌های زمین شهری (غرب تهران) 113 126 2142 10.22061/jrsgr.2024.10860.1064 FA حسین جولایی گروه مهندسی نقشه‌برداری، دانشکده عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران علیرضا وفایی نژاد گروه مهندسی نقشه‌برداری، دانشکده عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران Journal Article 2024 01 30 <strong>Background and Objectives:</strong> The issue of urbanization and monitoring of urban expansion and land use changes using satellite images has become a basic focus in the society. Easy and stable access to satellite data has made it possible to monitor and monitor land changes more accurately; But for optimal use of these images, it is necessary to collect samples of images and then classify their pixels based on regional features and characteristics. This process faces challenges such as data dispersion, which can be solved by using appropriate classification methods. In this study, in order to evaluate the area of land uses in cities, various methods of machine learning have been used. Instead of using a fixed and absolute method for classifying pixels, four different machine learning methods are investigated separately for each image. These diverse methods of machine learning provide the possibility of choosing the best and most efficient method for each image, thus improving the ability to detect and classify pixels for land use areas in cities and increasing accuracy and efficiency.<br /><strong>Methods:</strong> In this research, the Landsat 9 satellite image has been used to study and analyze different areas of Tehran in 2023. First, the desired image was subjected to the necessary corrections and then four appropriate machine learning algorithms (which included K-nearest neighbor, support vector machine, random forest and maximum likelihood) were used to classify Landsat 9 satellite images related to four different areas of Tehran (including 2, 5 , 21, 22) were used. To evaluate the accuracy of the results, more than 200 check points were created on the image using the Stratified Random method, and then Google Earth Pro was used to check the check points. The overall classification accuracy and kappa coefficient were evaluated as evaluation criteria for the best classification method of image pixels. In the next step, the studied area was divided into equal blocks in order to better understand the area of land uses in that area. Then, using Zonal Statistics, the amount of land use area in each block was investigated.<br /><strong>Findings:</strong> Based on the methods used, the performance of the SVM method in this study achieved the highest possible accuracy, which is equal to 95%, and the Kappa coefficient, which is 89%. These results may be justified due to the non-uniformity of pixel areas in dense urban environments. In addition, different areas of land, including green areas with an area of 12 square kilometers, barren lands with an area of 64 square kilometers, and built-up areas with an area of 137 square kilometers were also examined in this analysis.<br /><strong>Conclusion:</strong> Through this approach, we have presented a highly accurate classification method for the analysis of satellite images related to the Landsat 9 satellite. This method enables a more accurate assessment of the area of land uses and provides urban decision makers and policy makers with a direct link with valuable insights for sustainable development in cities. This can play an effective role in the process of facilitating development plans to improve cities and citizens' lives, because it provides accurate and reliable information that helps strategic decisions in the field of urban development and enables more effective and targeted changes in urban policies and programs. <strong>پیشینه و اهداف:</strong> موضوع شهرنشینی و نظارت بر گسترش شهری و تغییرات کاربری زمین با استفاده از تصاویر ماهواره‌ای، به یک مرکزیت اساسی در جامعه تبدیل ‌شده است. دسترسی آسان و پایدار به داده‌های ماهواره‌ای، این امکان را فراهم کرده که تغییرات زمینی را با دقت بیشتری رصد و نظارت کرد؛ اما برای بهره‌برداری بهینه از این تصاویر، لازم است نمونه‌هایی از تصاویر جمع‌آوری ‌شده و سپس پیکسل‌های آن‌ها بر اساس ویژگی‌ها و مشخصه‌های منطقه‌ای طبقه‌بندی شوند. این فرآیند، با چالش‌هایی همچون پراکندگی داده‌ها مواجه است که با استفاده از روش‌های طبقه‌بندی مناسب قابل‌ حل است. در این مطالعه، به‌منظور ارزیابی مساحت کاربری‌های زمین در شهرها، روش‌های متنوعی از یادگیری ماشین مورد استفاده قرارگرفته است. به‌جای استفاده از یک روش ثابت و مطلق برای طبقه‌بندی پیکسل‌ها، چهار روش مختلف یادگیری ماشین جداگانه برای هر تصویر مورد بررسی قرارگرفته است. این روش‌های متنوع از یادگیری ماشین امکان انتخاب بهترین و پرکارایی‌ترین روش برای هر تصویر را فراهم می‌کنند، به‌گونه‌ای که توانایی تشخیص و طبقه‌بندی پیکسل‌ها برای مساحت‌های کاربری زمین در شهرها را بهبود می‌بخشند و دقت و کارایی را افزایش می‌دهند.<br /><strong>روش‌ها‌:</strong> در این تحقیق، از تصویر ماهواره‌ای لندست 9 برای مطالعه و تحلیل منطقه‌های مختلف تهران در سال 2023 استفاده‌ شده است. ابتدا، تصویر مورد نظر تحت تصحیحات لازم قرارگرفته و سپس، چهار الگوریتم یادگیری ماشین متناسب (که شامل K- نزدیک‌ترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال بودند) برای طبقه‌بندی تصاویر ماهواره‌ای لندست 9 مرتبط با چهار منطقه مختلف تهران (شامل 2، 5، 21، 22) به‌کار گرفته شدند. برای ارزیابی دقت نتایج، بیش از ۲۰۰ نقطه چک با استفاده از روش Stratified Random بر روی تصویر ایجاد شدند و سپس از Google Earth Pro برای بررسی دقیق نقاط چک استفاده شد. دقت طبقه‌بندی کلی و ضریب کاپا به‌عنوان معیارهای ارزیابی بهترین روش طبقه‌بندی پیکسل‌های تصویر مورد بررسی قرار گرفتند. در مرحله بعد، منطقه مورد مطالعه به‌منظور درک بهتر مساحت کاربری‌های زمین در آن ناحیه به بلوک‌های مساوی تقسیم شد. سپس با استفاده از روابط آماری رستری (Zonal Statistic)، میزان مساحت کاربری‌های زمین در هر بلوک مورد بررسی قرار گرفت.<br /><strong>یافته‌ها:</strong> بر اساس روش‌های مورد استفاده، عملکرد روش SVM در این مطالعه به‌دقت بیشترین مقدار ممکن، که معادل 95 درصد است، و ضریب کاپا، که به نسبت 89 درصد است، دست‌یافت. این نتایج ممکن است به دلیل عدم یکنواختی پهنه‌های پیکسل در محیط‌های شهری پرتراکم توجیه شود. علاوه بر این، مساحت‌های مختلفی از زمین از جمله مناطق سبز با مساحت 12 کیلومترمربع، زمین‌های بایر با مساحت 64 کیلومترمربع و مناطق ساخته‌ شده با مساحت 137 کیلومترمربع نیز در این تحلیل مورد بررسی قرار گرفتند.<br /><strong>نتیجه‌گیری:</strong> از طریق این رویکرد، ما یک روش طبقه‌بندی بسیار دقیق را برای تحلیل تصاویر ماهواره‌ای مربوط به ماهواره لندست 9 ارائه داده‌ایم. این روش، امکان ارزیابی دقیق‌تری از مساحت کاربری‌های زمین را فراهم می‌کند و به تصمیم‌گیریان شهری و سیاست‌گذاران ارتباط مستقیمی با بینش‌های ارزشمندی برای توسعه پایدار در شهرها ارائه می‌دهد. این امر، می‌تواند در فرآیند تسهیل طرح‌های توسعه‌ای برای بهبود شهرها و زندگی شهروندان نقش مؤثری ایفا کند، زیرا اطلاعات دقیق و معتبری را ارائه می‌دهد که به تصمیم‌گیری‌های استراتژیک در حوزه توسعه شهری کمک می‌کند و امکان اعمال تغییرات مؤثرتر و هدفمندتر در سیاست‌ها و برنامه‌های شهری را فراهم می‌سازد. https://jrsgr.sru.ac.ir/article_2142_1a60f4a102c970a6db573a419cf3cd0d.pdf