The importance of timely and accurate information about the land resources and the natural resources increased rapidly. Due to the impact of urbanization, the we face hasty climatic change. To mitigate the urban heat island in the developed and developing cities, a very accurate land cover classification has to be developed. Through which we can identify the changes in build-up areas, water bodies and vegetation index. In this paper, a hybrid hot encoding VGG19 deep learning method has been proposed. And a transfer learning method has been used to transfer the training data trained by the RestNet50 method to the proposed HGVGG19 method. The satellite images and aerial images are collected from various sources and classified based on the features. And the image dataset has been pre-processed using the image augmentation technique. Through which the image has been resized and processed for training it with the proposed mode. The categorical data cannot be processed directly, so we use one hot encoding method to find the borders of the class. Then the data has been trained using VGG19 method. Then using the MLR classifier we classify the images and using decision tree the class prediction has been predicted. After testing the model an accuracy of 98.5% has been achieved. Using the proposed algorithm, the analysis has been made with the historical images of many regions. And eight different class values have been obtained and stored as the textual data. Using the data, the land cover changes and the prediction of the land cover has been obtained with an accuracy of 98.5%.

关于土地资源和自然资源的及时和准确信息的重要性迅速增加。由于城市化的影响，我们面临着仓促的气候变化。为了缓解发达和发展中城市的城市热岛效应，必须制定非常准确的土地覆盖分类。通过它我们可以识别建筑面积、水体和植被指数的变化。本文提出了一种混合热编码VGG19深度学习方法。并且使用迁移学习方法将通过 RestNet50 方法训练的训练数据迁移到提出的 HGVGG19 方法。卫星图像和航拍图像是从各种来源收集的，并根据特征进行分类。并且图像数据集已经使用图像增强技术进行了预处理。通过它调整图像大小并对其进行处理，以便使用建议的模式对其进行训练。分类数据无法直接处理，因此我们使用一种热编码方法来查找类的边界。然后使用VGG19方法训练数据。然后使用 MLR 分类器对图像进行分类，并使用决策树预测类别预测。经过测试，模型的准确率达到了 98.5%。使用所提出的算法，对许多地区的历史图像进行了分析。并且已经获得了八个不同的类值并将其存储为文本数据。利用该数据，得到了土地覆盖变化和土地覆盖预测，准确率达到98.5%。分类数据无法直接处理，因此我们使用一种热编码方法来查找类的边界。然后使用VGG19方法训练数据。然后使用 MLR 分类器对图像进行分类，并使用决策树预测类别预测。经过测试，模型的准确率达到了 98.5%。使用所提出的算法，对许多地区的历史图像进行了分析。并且已经获得了八个不同的类值并将其存储为文本数据。利用该数据，得到了土地覆盖变化和土地覆盖预测，准确率达到98.5%。分类数据无法直接处理，因此我们使用一种热编码方法来查找类的边界。然后使用VGG19方法训练数据。然后使用 MLR 分类器对图像进行分类，并使用决策树预测类别预测。经过测试，模型的准确率达到了 98.5%。使用所提出的算法，对许多地区的历史图像进行了分析。并且已经获得了八个不同的类值并将其存储为文本数据。利用该数据，得到了土地覆盖变化和土地覆盖预测，准确率达到98.5%。然后使用 MLR 分类器对图像进行分类，并使用决策树预测类别预测。经过测试，模型的准确率达到了 98.5%。使用所提出的算法，对许多地区的历史图像进行了分析。并且已经获得了八个不同的类值并将其存储为文本数据。利用该数据，得到了土地覆盖变化和土地覆盖预测，准确率达到98.5%。然后使用 MLR 分类器对图像进行分类，并使用决策树预测类别预测。经过测试，模型的准确率达到了 98.5%。使用所提出的算法，对许多地区的历史图像进行了分析。并且已经获得了八个不同的类值并将其存储为文本数据。利用该数据，得到了土地覆盖变化和土地覆盖预测，准确率达到98.5%。