شناسايي مكانهاي انباشت نخاله‌هاي ساختماني با استفاده از شاخص‌ها و تفاضل‌هاي طيف بازتابندگي در تصاوير لندست (مطالعه موردي: مناطق شهريار و ملارد)

براثر پديده‌هاي طبيعي و فعاليت‌هاي انساني چهره زمين همواره دست‌خوش تغيير مي‌شود، اطلاع از تغييرات سطحي اهميت بسيار زيادي در نظارت محلي، منطقه‌اي و جهاني منابع محيطي دارد. در اين ميان استفاده از فنّاوري سنجش‌ازدور به‌عنوان بهترين وسيله براي آشكارسازي و ارزيابي تغييرات شناخته‌شده است چراكه با پيشرفت‌هاي انجام‌گرفته در اين فنّاوري و توليد تصاوير ماهواره‌اي باقدرت تفكيك طيفي و مكاني بالا و هم‌چنين انواع روش‌هاي پردازش تصاوير، امكان شناسايي تغييرات ايجادشده در محيط فراهم شده است. شناسايي و نظارت بر محل انباشت پسماندها يكي از مهم‌ترين بخش‌هاي مديريت شهري محسوب مي‌شود. در تحقيق حاضر شناسايي اماكن انباشت نخاله‌هاي ساختماني اطراف شهرستان شهريار و ملارد در يك دوره زماني مورد بررسي قرارگرفته است. در انجام اين تحقيق از تصاوير زماني ماهواره‌اي سال‌هاي 2014 و 2015 سنجنده لندست 8 استفاده‌شده و پس از انجام پيش‌پردازش‌هاي مورد نياز از طريق شاخص‌ها و تفاضل‌هاي طيف بازتابندگي، نقشه آشكارسازي مناطق تهيه گرديد. با مقايسه نتايج با داده‌هاي ميداني دقت 96/41 درصد در استفاده از روش پيشنهادي ارزيابي شد.

Natural phenomena and human activities are always changing the earth and Knowing about changad information of the earth’s surface is becoming more and more important in monitoring the local, regional and global resources and environments. The large collection of past and present remote sensing images made it possible to analyze spatio-temporal pattern of environmental elements and impacts of human activities in past decades. Meanwhile the modern world needs accurate information about these changes for updating Geospatial Information Systems(GIS) and databases. Detecting and monitoring waste sites is one of the most essential parts of urban management and due to the impact of environmental and economic issues for these sites, they must be monitored continuously and in a scientific manner. In this study, detecting the construction debris around Shahryar during a period of time is studied. In this study, images of 2014 and 2015 Landsat8 are used. In this method, and after some pre-processing, using image differencing and spectral indices, change detection map is produced. The overall accuracy of the proposed method was of the order of 96.41%.