كليدواژه :
سطوح نفوذ ناپذير , ويژگي‌هاي بافتي , بندرعباس , تصاوير راداري , سنتينل
چكيده فارسي :
طرح مسئله: رشد جمعيت شهري و توسعة فيزيكي مداوم شهرها باعث تغيير پوشش طبيعي زمين مي‌شود و آن را به پوشش مصنوعي و سطوح نفوذ ناپذير تبديل مي‌كند. افزايش چشمگير اين سطوح به پيامدهاي منفي در بسياري از حوزه‌ها مي‌انجامد؛ ازجمله افزايش رواناب سطحي و خطر سيل، كاهش ميزان تغذية آب‌هاي زيرزميني و تشديد اثر جزيرة گرمايي. به اين دلايل برآورد دقيق و پايش روند تغييرات اين محدوده‌ها ضروري است. در اين زمينه داده‌هاي سنجش از دور، يك راه‌حل مقرون به‌صرفه براي تهية سطوح نفوذ ناپذير و نظارت بر آنهاست.
هدف: هدف پژوهش حاضر، شناسايي سطوح نفوذ ناپذير شهري با استفاده از تصاوير راداري است.
روش: در پژوهش پيش رو ويژگي‌هاي بافتي ماتريس هم رخداد سطوح خاكستري (GLCM) با استفاده از روش‌هاي طبقه‌بندي حداكثر احتمال، شبكة عصبي مصنوعي و ماشين بردار پشتيبان روي تصوير راداري Sentinel-1 براي تعيين سطوح نفوذناپذير شهر بندرعباس ارزيابي مي‌شود.
نتايج: به منظور بررسي صحت پردازش‌هاي انجام‌شده با روش‌هاي به‌كاررفته، از روش‌هاي برآورد دقت كل و ضريب كاپا استفاده شد. صحت كلي 97/0، 98/14 و 98/40درصد و ضريب كاپا 0/95، 0/97 و 0/97 به ترتيب براي طبقه‌بندي بيشترين شباهت، شبكة عصبي مصنوعي و ماشين بردار پشتيبان به دست آمد كه نشان‌دهندة مناسب‌بودن روش‌هاي استفاده شده براي آشكارسازي سطوح نفوذ ناپذير شهري است.
نوآوري: براي استخراج اطلاعات سطوح شهري بيشتر از الگوريتم‌هاي طبقه‌بندي متداول ويژگي‌هاي طيفي بهره برده مي‌شود. اين مسئله باعث مي‌شود حجم زيادي از اطلاعات فضايي مفيد مانند بافت در طبقه‌بندي تصاوير ناديده گرفته شود. با توجه به اينكه تصاوير SAR به مشخصات هندسي سطوح شهري حساس‌اند، مي‌توان با استفاده از ويژگي‌هاي بافتي تصاوير راداري، سطوح نفوذ ناپذير شهري را با دقت مناسبي آشكارسازي كرد كه تاكنون كمتر به آن توجه شده است.
چكيده لاتين :
Urban population growth and the continuous physical development of cities change the natural coverage of the earth and transform it into artificial cover and impervious surfaces. The dramatic increase of these surfaces yields negative consequences in many areas such as increasing surface runoff and flood risk, decreasing groundwater recharge, or intensifying the urban heat island effect. For these reasons, accurate estimation and monitoring of the trend of changes in these ranges is necessary. In this regard, remote sensing data are a cost-effective solution for the preparation and monitoring of impervious surfaces. The purpose of this study was to identify impervious urban surfaces using radar images. In the present study, the textural properties of the Gray Level Co-occurrence Matrix (GLCM) were evaluated using maximum likelihood classification methods, artificial neural network, and support vector machine on Sentinel-1 radar image to determine impervious surfaces of Bandar Abbas city. The overall accuracy of 97.00%, 98.14%, 98.40% and Kappa coefficient of 0.95, 0.97, and 0.97, respectively, for maximum likelihood classification, artificial neural network, and support vector machine, indicated the appropriateness of the utilized methods for detecting impervious urban surfaces. For extracting urban surface information, spectral feature classification algorithms are mostly used. This causes a large amount of useful spatial information such as texture to be ignored in the classification images. Given that SAR images are sensitive to the geometrical properties of urban surfaces, impervious urban surfaces can be accurately detected by using textural properties of radar imagery, which has not been addressed so far.
