Desertification Detection Using an Improved Variational Autoencoder-Based Approach Through ETM-Landsat Satellite Data الكشف عن التصحر باستخدام نهج محسن قائم على الترميز التلقائي المتغير من خلال بيانات الأقمار الصناعية ETM - Landsat Détection de la désertification à l'aide d'une approche améliorée basée sur un auto-encodeur variationnel grâce aux données satellitaires ETM-Landsat Detección de desertificación utilizando un enfoque mejorado basado en autocodificador variacional a través de datos satelitales ETM-Landsat

The accurate land cover change detection is critical to improve the landscape dynamics analysis and mitigate desertification problems efficiently. Desertification detection is a challenging problem because of the high degree of similarity between some desertification cases and like-desertification phenomena, such as deforestation. This article provides an effective approach to detect deserted regions based on Landsat imagery and variational autoencoder (VAE). The VAE model, as a deep learning-based model, has gained special attention in features extraction and modeling due to its distribution-free assumptions and superior nonlinear approximation. Here, a VAE approach is applied to spectral signatures for detecting pixels affected by the land cover change. The considered features are extracted from multitemporal images and include multispectral information, and no prior image segmentation is required. The proposed method was evaluated on the publicly available remote sensing data using multitemporal Landsat optical images taken from the freely available Landsat program. The arid region around Biskra in Algeria is selected as a study area since it is well-known that desertification phenomena strongly influence this region. The VAE model was evaluated and compared with restricted Boltzmann machines, deep learning model, and binary clustering algorithms, including Agglomerative, BIRCH, expected maximization, k-mean clustering algorithms, and one-class support vector machine. The comparative results showed that the VAE consistently outperformed the other models for detecting changes to the land cover, mainly deserted regions. This study also showed that VAE outperformed the state-of-the-art algorithms. يعد الكشف الدقيق عن تغير الغطاء الأرضي أمرًا بالغ الأهمية لتحسين تحليل ديناميكيات المناظر الطبيعية والتخفيف من مشاكل التصحر بكفاءة. يمثل الكشف عن التصحر مشكلة صعبة بسبب ارتفاع درجة التشابه بين بعض حالات التصحر وظواهر التصحر المماثلة، مثل إزالة الغابات. توفر هذه المقالة طريقة فعالة للكشف عن المناطق المهجورة بناءً على صور Landsat والترميز التلقائي المتغير (VAE). اكتسب نموذج VAE، كنموذج قائم على التعلم العميق، اهتمامًا خاصًا في استخراج الميزات والنمذجة بسبب افتراضاته الخالية من التوزيع والتقريب غير الخطي المتفوق. هنا، يتم تطبيق نهج VAE على التواقيع الطيفية للكشف عن وحدات البكسل المتأثرة بتغير الغطاء الأرضي. يتم استخراج الميزات المدروسة من الصور متعددة الأزمنة وتتضمن معلومات متعددة الأطياف، ولا يلزم تجزئة الصورة مسبقًا. تم تقييم الطريقة المقترحة على بيانات الاستشعار عن بعد المتاحة للجمهور باستخدام صور Landsat البصرية متعددة الأزمنة المأخوذة من برنامج Landsat المتاح مجانًا. تم اختيار المنطقة القاحلة حول بسكرة في الجزائر كمنطقة دراسة لأنه من المعروف أن ظواهر التصحر تؤثر بقوة على هذه المنطقة. تم تقييم نموذج VAE ومقارنته مع آلات Boltzmann المقيدة، ونموذج التعلم العميق، وخوارزميات التجميع الثنائي، بما في ذلك التجميع، والبتولا، والتكبير المتوقع، وخوارزميات التجميع k - mean، وآلة ناقلات الدعم من فئة واحدة. أظهرت النتائج المقارنة أن VAE تفوقت باستمرار على النماذج الأخرى للكشف عن التغيرات في الغطاء الأرضي، وخاصة المناطق المهجورة. أظهرت هذه الدراسة أيضًا أن VAE تفوقت على الخوارزميات الحديثة. La détection précise des changements de couverture terrestre est essentielle pour améliorer l'analyse de la dynamique du paysage et atténuer efficacement les problèmes de désertification. La détection de la désertification est un problème difficile en raison du degré élevé de similitude entre certains cas de désertification et des phénomènes de désertification similaires, tels que la déforestation. Cet article fournit une approche efficace pour détecter les régions désertes sur la base de l'imagerie Landsat et de l'auto-encodeur variationnel (VAE). Le modèle VAE, en tant que modèle basé sur l'apprentissage profond, a attiré une attention particulière dans l'extraction et la modélisation des caractéristiques en raison de ses hypothèses sans distribution et de son approximation non linéaire supérieure. Ici, une approche VAE est appliquée aux signatures spectrales pour détecter les pixels affectés par le changement de couverture terrestre. Les caractéristiques considérées sont extraites d'images multitemporelles et comprennent des informations multispectrales, et aucune segmentation d'image préalable n'est requise. La méthode proposée a été évaluée sur les données de télédétection accessibles au public à l'aide d'images optiques Landsat multitemporelles prises à partir du programme Landsat librement disponible. La région aride autour de Biskra en Algérie est choisie comme zone d'étude car il est bien connu que les phénomènes de désertification influencent fortement cette région. Le modèle VAE a été évalué et comparé à des machines Boltzmann restreintes, à un modèle d'apprentissage profond et à des algorithmes de clustering binaire, y compris Agglomerative, BIRCH, à la maximisation attendue, à des algorithmes de clustering k-mean et à une machine vectorielle de support à classe unique. Les résultats comparatifs ont montré que la VAE surpassait systématiquement les autres modèles de détection des changements dans la couverture terrestre, principalement dans les régions désertiques. Cette étude a également montré que la VAE surpassait les algorithmes de pointe. La detección precisa de los cambios en la cubierta terrestre es fundamental para mejorar el análisis de la dinámica del paisaje y mitigar los problemas de desertificación de manera eficiente. La detección de la desertificación es un problema difícil debido al alto grado de similitud entre algunos casos de desertificación y fenómenos de desertificación similares, como la deforestación. Este artículo proporciona un enfoque eficaz para detectar regiones desiertas basado en imágenes Landsat y autocodificador variacional (VAE). El modelo VAE, como modelo basado en el aprendizaje profundo, ha ganado especial atención en la extracción y modelado de características debido a sus supuestos sin distribución y su aproximación no lineal superior. Aquí, se aplica un enfoque VAE a las firmas espectrales para detectar píxeles afectados por el cambio de la cubierta terrestre. Las características consideradas se extraen de imágenes multitemporales e incluyen información multiespectral, y no se requiere segmentación previa de la imagen. El método propuesto se evaluó en los datos de teledetección disponibles públicamente utilizando imágenes ópticas Landsat multitemporales tomadas del programa Landsat disponible gratuitamente. La región árida alrededor de Biskra en Argelia se selecciona como área de estudio ya que es bien sabido que los fenómenos de desertificación influyen fuertemente en esta región. El modelo VAE se evaluó y comparó con máquinas de Boltzmann restringidas, modelo de aprendizaje profundo y algoritmos de agrupamiento binario, incluidos Agglomerative, BIRCH, maximización esperada, algoritmos de agrupamiento k-mean y máquina de vectores de soporte de una clase. Los resultados comparativos mostraron que el VAE superó consistentemente a los otros modelos para detectar cambios en la cubierta terrestre, principalmente en las regiones desiertas. Este estudio también mostró que VAE superó a los algoritmos de última generación.