A comparison of pixel-based and object-based techniques for land cover classification

Authors

  • Nyamjargal Erdenebaatar 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

DOI:

https://doi.org/10.5564/mjgg.v59i43.2531

Keywords:

Maximum likelihood classification, Sentinel-1, Sentinel-2, Support vector machine

Abstract

Traditionally, optical remote sensing datasets have been extensively used for a land cover classification. Since the emergence of the microwave images, combined optical and radar remote sensing datasets have been widely used for different thematic applications. The study aims to estimate which classification method delivers better results and to determine how effective the use of optical data or fused optical and radar datasets for a land cover discrimination. For this purpose, a maximum likelihood classification (MLC) and object-based support vector machine have been selected. As data sources, Sentinel-1 radar data and Sentinel-2 optical image acquired in June 2021 around Erdenet city were used. And, the land cover was divided into 4 such classes as forest, vegetation, water, other (i.e., built-up areas) based on the training samples which were selected to have 30-35 signatures for each class. As seen from the results, the SVM showed better results when using both datasets. In particular, the classification result of the SVM derived from the fused datasets was the highest, with an overall accuracy of 95.24%. On the other hand, classification result of optical data using the MLC had the lowest with an overall accuracy of 73.75%. When the accuracy for each class was assessed, the classification accuracy of the support vector machine was higher than that of MLC for all classes. Thus, the fused optical and radar dataset can show higher accuracy for land cover classification based using SVM method.

Газрын бүрхэвчийг пиксел болон объектэд суурилсан аргуудаар ангилан харьцуулах нь

ХУРААНГУЙ

Зайнаас тандан судлалын уламжлалд оптикийн мэдээг газрын бүрхэвчийн ангилалд ихээхэн ашиглаж ирсэн ба богино долгионы мэдээ бий болсон цаг үеэс оптикийн болон радарын мэдээг нийлмэл байдлаар төрөл бүрийн сэдэвчилсэн судалгаанд ашигласаар ирсэн байдаг. Энэхүү судалгааны зорилго нь хамгийн их төсөөтэйн (ХИТ) болон объектэд суурилсан тулах векторын аргуудаар газрын бүрхэвчийг ангилан, аль арга нь илүү үр дүнг үзүүлэхийг тооцоолж, улмаар оптикийн мэдээг дангаар нь эсвэл радарын мэдээтэй нийлэгжүүлэн ашиглах нь ангиллыг үнэн зөв гүйцэтгэхэд хэр ач холбогдолтойг тодорхойлоход оршино. Судалгаанд Эрдэнэт хот орчмын 2021 оны 6 дугаар сарын Sentinel-1 радарын мэдээ болон Sentinel-2 оптикийн мэдээг ашиглаж, газрын бүрхэвчийг ой, ургамал, ус, бусад буюу барилгажсан талбай гэсэн 4 ангид хуваасан бөгөөд анги тус бүрийн хувьд 30-35 сигнатур байхаар сургалтын дээжийг сонгон авч, ангиллыг гүйцэтгэсэн болно. Судалгааны үр дүнгээс харахад аль ч төрлийн мэдээг ашигласан тохиолдолд тулах векторын арга нь илүү өндөр үр дүнг үзүүлэв. Ялангуяа, оптикийн болон радарын мэдээг нийлэгжүүлэн тулах векторын аргаар ангилсан дүн хамгийн өндөр буюу алдааны ерөнхий нарийвчлал нь 95.24% байсан бол оптикийн мэдээг ХИТ аргаар ангилсан дүн хамгийн бага нарийвчлалтай буюу 73.75% байлаа. Анги тус бүрийн хувьд нарийвчлалыг тооцон үзэхэд, тулах векторын аргаар ангилсан ангиллын нарийвчлал бүх ангиудын хувьд өндөр гарсан болно. Иймд газрын бүрхэвчийн ангилалд оптик болон радарын мэдээг нийлэгжүүлэн, тулах векторын аргаар ангилах нь нарийвчлал өндөртэй байна.

Түлхүүр үгс: Sentinel-1, Sentinel-2, Тулах векторын арга, Хамгийн их төсөөтэйн арга

Abstract
119
PDF 122

References

M. Li, S. Zang, B. Zhang, S. Li and C. Wu, “A review of remote sensing image classifcation techniques: the role of spatio-contextual information”, Europian Journal of Remote Sensing, vol. 47, no. 1, pp. 389-411, 2014. Available: https://doi.org/10.5721/EuJRS20144723

D. Enderle and R. Weih, “Integrating supervised and unsupervised classification methods to develop a more accurate land cover classification”, Journal of the Arkansas Academy of Science, vol. 59, pp. 65-73, 2005.

D. Amarsaikhan, M. Ganzorig, M. Saandar, H. Blotevogel, E. Egshiglen, R. Gantuya, B. Nergui and D. Enkhjargal, "Comparison of multisource image fusion methods and land cover classification," International Journal of Remote Sensing, vol. 33, no. 8, pp. 2532-2550, 2012. Available: https://doi.org/10.1080/01431161.2011.616552

P. S. Sisodia, V. Tiwari and A. Kumar, "Analysis of Supervised Maximum Likelihood Classification for remote sensing image," International Conference on Recent Advances and Innovations in Engineering (ICRAIE-2014), 2014, pp. 1-4, Available: https://doi.org/10.1109/ICRAIE.2014.6909319

Engineering statistics handbook, https://www.itl.nist.gov/div898/handbook/index.htm

M. Sheykhmousa, M. Mahdianpari, H. Ghanbari, F. Mohammadimanesh, P. Ghamisi and S. Homayouni, "Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic Review," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 6308-6325, 2020, Available: https://doi.org/10.1109/JSTARS.2020.3026724

“Орхон аймаг Эрдэнэт хотын уур амьсгалын тодорхойлолт”, Цаг уур, орчны шинжилгээний газар. April 4, 2017. Accessed on: Oct 25, 2022. [Online]. Available: http://orkhon.tsag-agaar.gov.mn/

G. Mountrakis, J. Im,. and C. Ogole, “Support vector machines in remote sensing: A review”, ISPRS Journal of Photogrammtery and Remoe Sensing, vol. 66, pp. 247-259, 2011. Available: https://doi.org/10.1016/j.isprsjprs.2010.11.001

N. Bahari, A Ahmad and B. Aboobaider, “Application of support vector machine for classification of multispectral data”, Earth and Environmental Science, vol. 20, 012038, 2014. Available: https://doi.org/10.1088/1755-1315/20/1/012038

Д.Амарсайхан, М.Ганзориг, М.Саандарь, Ц.Адьяасүрэн, Зайнаас Тандах Судлал, ГМС-ийн Зарчмууд, Улаанбаатар, 2006.

E. Moran, "Land Cover Classification in a Complex Urban-Rural Landscape with QuickBird Imagery," PhotogrammteryEng Remote Sensing, vol. 76, no. 10, pp. 1159-1168, 2010. Available: https://doi.org/10.14358/PERS.76.10.1159

M. Wulder, S. Franklin, J. White, J. Linke and S. Magnussen, "An accuracy assessment framework for large-area land cover classification products derived from medium-resolution satellite data", International Journal of Remote Sensing, vol. 27, no. 4, pp. 663-683, 2006. Available: https://doi.org/10.1080/01431160500185284

G. Foody and A. Mathur, “A relative evaluation of multiclass image classification by support vector machines”, IEEE Transactions on Geoscience and Remote Sensing, vol. 42, no. 6, pp. 1335–1343, 2004. Available: https://doi.org/10.1109/TGRS.2004.827257

Л.Энхзул, Э.Жаргалдалай, “Төв аймгийн Батсүмбэр сумын газрын бүрхэвчийг олон цаг улирлын зайнаас тандсан мэдээ ашиглан үнэлсэн дүн”, Газрын харилцаа-2019, х. 128-132, 2019.

D. Liu and F. Xia, “Assessing object-based classification: advantages and limitations”. Remote Sensing Letters, vol. 1, no. 4, pp.187–194, 2010. Available: https://doi.org/10.1080/01431161003743173

R. Weih and N. Riggan, “Object-based classification vs. pixel-based classification: comparativeimportance of multi-resolution imagery”, The International Archives of the Photogrammetry, RemoteSensing and Spatial Information Sciences, Vol. XXXVIII-4/C7, 2012.

E. Nyamjargal, D. Amarsaikhan, A. Munkh-Erdene, V. Battsengel and C. Bolorchuluun, “Object-Based Classification of Mixed Forest Types in Mongolia”. Geocarto International, vol. 35, no. 2, pp. 1-12, 2019. Available: https://doi.org/10.1080/10106049.2019.1583775

Downloads

Published

2022-12-29

How to Cite

Erdenebaatar, N., & Damdinsuren, A. (2022). A comparison of pixel-based and object-based techniques for land cover classification. Mongolian Journal of Geography and Geoecology, 59(43), 227–234. https://doi.org/10.5564/mjgg.v59i43.2531

Issue

Section

Articles