Land Cover Classification from Sentinel -2 Satellite Imagery Using Machine Learning technique

Abstract

This study aimed to classify land cover types in Mueang Roi Et District using Sentinel-2 satellite imagery and evaluate the performance of four machine learning techniques: Artificial Neural Network, Decision Tree, Random Forest, and Support Vector Machine. The study area was classified into eight categories: agricultural land, urban and commercial areas, government areas, vacant land, residential areas, forests, natural water sources, and public parks. The research methodology involved data preprocessing, model development, accuracy assessment, and result analysis.

The findings indicated that the Artificial Neural Network technique achieved the highest overall accuracy 83% and Kappa coefficient 0.79, outperforming the other methods. Conversely, the Decision Tree technique yielded the lowest accuracy at 70%. Classification accuracy for public parks and government areas was notably lower, attributed to the complex land use characteristics and similar spectral reflectance values within these areas, leading to classification confusion. This research underscores the potential of machine learning techniques in processing remote sensing data, thereby supporting effective resource management and land-use planning

การวิจัยนี้มีวัตถุประสงค์เพื่อจำแนกประเภทสิ่งปกคลุมดินในอำเภอเมืองร้อยเอ็ด โดยใช้ข้อมูลภาพถ่ายดาวเทียม Sentinel-2 และประเมินประสิทธิภาพของเทคนิคการเรียนรู้ของเครื่อง 4 วิธี ได้แก่ โครงข่ายประสาทเทียม, ต้นไม้ตัดสินใจ, ป่าสุ่ม และซัพพอร์ตเวกเตอร์แมชชีน. พื้นที่ศึกษาถูกจำแนกออกเป็น 8 ประเภท คือ พื้นที่เกษตรกรรม, เมืองและย่านการค้า, พื้นที่ส่วนราชการ, พื้นที่ว่างเปล่า, พื้นที่อยู่อาศัย, ป่าไม้, แหล่งน้ำตามธรรมชาติ และพื้นที่สวนสาธารณะ. กระบวนการวิจัยประกอบด้วยการเตรียมข้อมูล การสร้างแบบจำลอง การประเมินความถูกต้อง และการวิเคราะห์ผล.

ผลการศึกษาพบว่า เทคนิคโครงข่ายประสาทเทียม ให้ค่าความแม่นยำโดยรวมสูงสุดที่ 83% และค่าสัมประสิทธิ์แคปปา 0.79 ซึ่งสูงกว่าเทคนิคอื่น ๆ. ในขณะที่เทคนิคต้นไม้ตัดสินใจ มีความแม่นยำต่ำสุดที่ 70%. การจำแนกพื้นที่สวนสาธารณะและพื้นที่ส่วนราชการมีความแม่นยำต่ำ เนื่องจากลักษณะพื้นที่ที่มีความซับซ้อนและค่าการสะท้อนแสงที่คล้ายคลึงกัน ทำให้เกิดความสับสนในการจำแนก. การศึกษานี้ชี้ให้เห็นถึงศักยภาพของเทคนิคการเรียนรู้ของเครื่องในการประมวลผลข้อมูลสำรวจระยะไกล ซึ่งเป็นประโยชน์ต่อการจัดการทรัพยากรและการวางแผนการใช้ที่ดิน.