مدلسازي عدم اطمينان در آشكارسازي تغييرات براساس طبقه‌بندي داده‌هاي ماهواره‌اي

Modeling Uncertainty in Change Detection Based on Classification of Remote Sensing Data

تهيه نقشه تغييرات كاربري و پوشش اراضي از نيازهاي اساسي براي مديريت و نظارت محيطي است. اين نقشه‌ها در برنامه‌ريزي و تصميم‌گيريهاي مختلف استفاده مي‌شوند، بنابراين تعيين قابليت اعتماد و صحت اين نقشه‌ها اهميت زيادي دارد. در اين مطالعه از يك روش جديد براي مدلسازي عدم اطمينان در آشكارسازي تغييرات استفاده شد. در اين روش علاوه بر اطلاعات احتمالاتي، از ويژگيهاي مكاني شامل فاصله، همسايگي، وسعت و نوع تغيير نيز استفاده به عمل آمد. ابتدا تصاوير Landsat TM منطقه شهري اصفهان در سالهاي 1998 و 1990 م. با استفاده از توابع چند جمله‌اي درجه اول هم مختصات شدند. سپس با استفاده از الگوريتم طبقه‏بندي، حداكثر مشابهت(MLC) در ده كلاس كاربري و پوشش اراضي طبقه‌بندي و ويژگيهاي احتمالاتي نشان‌دهنده عضويت پيكسلها در كلاسهاي مختلف محاسبه شدند. در مرحله بعد اطلاعات مكاني لازم براي مدلسازي عدم اطمينان در تغيير كاربري كشاورزي به مسكوني استخراج شد. آنگاه ويژگيهاي مكاني و احتمالاتي به كمك رگرسيون لاجيستيك تركيب شدند و لايه نشان‌دهنده عدم اطمينان مربوط به تغيير اراضي كشاورزي به مسكوني تهيه شد. از شاخص (ROC) نيز براي ارزيابي كيفيت مدل تهيه شده، استفاده شد. مقدار آن برابر 9944/0 محاسبه شد كه نشان‌دهنده دقت بالاي مدل عدم اطمينان به‌دست آمده است. با توجه به نتايج اين تحقيق، استفاده و توسعه از اين مدل براي براورد و ارزيابي عدم اطمينان در آشكارسازي تغييرات كاربري و پوشش توصيه مي‌شود.

Land use/cover change map production is one of the basic needs for environmental monitoring and management. Since the change maps are usually used in planning and decision-making, certainty and reliability of these maps can be very important in many applications. Unfortunately in many studies only probability values as obtained from MLC approach have been used for uncertainty estimation. Here a new approach has been developed which is based on the probability information as well as spatial parameters including distance, neighborhood, extent and the type of change. In this study, two Landsat TM images of Isfahan urban area provided in 1990 and 1998 have been co-registered using first order polynomial and nearest neighbor resampling approach. The registered images have been then classified to ten different land use/land cover classes using Maximum Likelihood Classification algorithm. Probabilistic measures generated by the MLC have been used for modeling uncertainty. Using different spatial analysis functions for modeling the change of agricultural areas to residential areas, the relevant spatial parameters have been extracted. Based on logistic regression approach, probabilistic parameters and spatial parameters have been integrated to generate a layer, which shows uncertainty of change of agricultural areas to residential areas. The Relative Operating Characteristics (ROC) index has been used for validation of the model and it has been estimated to be 0.9944, which is an indicative of very good model fitting. As a final conclusion, development of this model is suggested for quantitative evaluation of uncertainty in change detection.