پديد آورندگان :
محمدزاده، علي دانشگاه صنعتي خواجه نصيرالدين طوسي - دانشكده مهندسي نقشه برداري , وارثي، عاطفه دانشگاه صنعتي خواجه نصيرالدين طوسي - دانشكده مهندسي نقشه برداري , جانعلي پور، ميلاد دانشگاه صنعتي خواجه نصيرالدين طوسي - دانشكده مهندسي نقشه برداري
كليدواژه :
سنجش از دور , شاخص هاي تغييرات طيفي مكاني , رشد شهري , مقايسه پس از طبقه بندي , لندست 5 , شناسايي تغييرات شهري
چكيده فارسي :
رشد شهري و پايش آن يكي از مهمترين موارد مدنظر شهرها و شهرداريها است. سنجش از دور و فناوريهاي مرتبط با آن يكي از ابزارهاي نوين است كه اخيرا به منظور پايش رشد شهري استفاده شده است. هدف از اين مطالعه شناسايي تغييرات شهر شيراز در بازهي زماني سالهاي1990، 2000 و 2011 با استفاده از تصاوير لندست 5 از طريق روش مقايسه پس از طبقه بندي با در نظر گرفتن شاخصهاي تغييرات طيفي- مكاني ميباشد. در روش پيشنهادي ابتدا تصاوير چندزمانه سنجش از دور پيشپردازش شدند و سپس شاخصهاي تغييرات طيفي- مكاني با تجزيه ي موجك سه بعدي محاسبه استخراج شدند. در مرحله بعد، شاخص هاي استخراج شده و ويژگيهاي طيفي وارد روش خوشه بندي Fuzzy- C Means شدند تا چهار كلاس منطقه مورد مطالعه يعني شهري، زمين باير، راه و پوشش گياهي استخراج گردند. در اين مطالعه، از خروجي خوشه بندي فازي به منظور استخراج داده هاي تعليمي استفاده شد. با استفاده از دادههاي تعليمي استخراج شده و روش طبقه بندي بيشينه شباهت كلاسهاي كاربري منطقه مورد مطالعه با دقت بالاتري نسبت به روش خوشه بندي فازي استخراج گرديد. پس از طبقه بندي بيشينه شباهت تصاوير، رشد شهري به روش مقايسه پس از طبقهبندي شناسايي شد و نقشهي تغييرات منطقه ي شهري بدست آمد. مقايسه نتايج با دادهي مرجع زميني كه شامل نقشه هاي شهر شيراز در سالهاي 1990، 2000 و 2011 ميشود، نشان ميدهد كه دقت توليد كننده و كاربر نقشه ي تغييرات حاصله با در نظر گرفتن شاخصهاي تغييرات طيفي- مكاني و انتخاب دادههاي آموزشي به صورت اتوماتيك براي بازهي زماني اول، 8% و براي بازهي زماني دوم، 10% افزايش يافته است. براي ارزيابي عملكرد طبقه بندي بيشينه شباهت در مقايسه پس از طبقه بندي از روش ماشين بردار پشتيبان استفاده شد. دقت توليد كننده و كاربر نقشه ي رشد شهري اين روش با در نظر گرفتن شاخصهاي تغييرات براي بازهي زماني اول به ترتيب 76/5 و 65 درصد و براي بازهي زماني دوم، 77/84 و 78/23 درصد حاصل شد. در صورتي كه با طبقه بندي بيشينه شباهت براي بازهي زماني اول 84/63 و 78/3 درصد و براي بازهي زماني دوم 85/89 و 88/42 درصد محاسبه گرديد. بنابراين نقشه ي تغييرات حاصله با طبقهبندي بيشينه شباهت و شاخصهاي تغييرات طيفي- مكاني از صحت بالاتري برخوردار است.
چكيده لاتين :
Urban growth and its monitoring are important items of interest for urbans and municipalities. Remote sensing and related technologies are new tools that recently used for this purpose. Change detection techniques generally divided into two groups: object based and pixel based techniques. Pixel based techniques included algebra, transformation, fuzzy, hybrid, multi temporal direct comparison and classification based methods. In classification comparison is useful. In these methods quality and quantity of training samples are vital for producing good results. According to research conducted, accuracy of unsupervised classification techniques is less than supervised classification techniques. On the other, supervised techniques need training samples that obtaining these samples is time consuming. As first goal in this research, presentation a supervised method for obtaining training samples automatically. Second goal is using spectral- spatial variation indicators in change detection. Landsat 5 TM images in 1990, 2000 and 2011 were used for change detection of Shiraz city. In this research reference land use map was prepared by IRS, IKONOS and Google earth images.
At first, images were preprocessed. In preprocessing, geometric and radiometric calibration were done. Images were georeferenced by polynomial method and RMSE calculated less than 1 pixel. After preprocessing, spectral- spatial variation indicators were calculated by 3d wavelet decomposition. These indicators describe spectral and spatial simultaneously. Results showed that spatial variations of natural features are less than spectral variations. So these features are brighter than other features in spectral variation images. Then data were clustered into four classes urban, baresoil, road and vegetation by fuzzy c means method. Overall accuracy of fcm calculated 81.6, 86.5 and 87% in 1990, 2000 and 2011 with consideration variation indicators. Train data were selected for maximum likelihood classification automatically. Overall accuracy of maximum likelihood classification calculated 87.36, 89.5 and 89.7% in 1990, 2000 and 2011 with consideration variation indicators. Results showed variation indicators and automatic selection of training data improved overall accuracy and separation of classes. Classified images used for change detection. Some of samples were selected for assessment accuracy of final product. Confusion matrix found using reference data. Results showed spectral- spatial variation indicators improved accuracy of change detection. At the end support vector machine used in post classification comparison. Produce and user accuracies of this method were obtained 76.5, 65% for first interval and 77.84, 78.23% for second interval under consideration variation indicators. In the event that accuracies of proposed method were obtained 84.63, 78.3% for first interval and 85.89, 88.42% for second interval. So accuracies of change detection with proposed method is higher than support vector machine.
