كاربرد تجزيه و تحليل طيف مخلوط نرمال شده (NSMA) جهت استخراج مناطق ساخته شده شهري و استفاده از آن در شبكه عصبي مصنوعي (MLP) براي پيش بيني رشدآتي شهر

Application of Normalized Spectral Mixture Analysis (NSMA) to extract urban built-up areas and utilize it in artificial neural network (MLP) to predict the future growth of the city

استفاده از تصاوير ماهواره اي با قدرت تفكيك مكاني متوسط به منظور شناسايي، نظارت و پيش بيني مناطق ساخته شده شهري در دهه هاي اخير توسعه يافته است. مهم ترين گام در پيش بيني رشد مناطق شهري، استخراج ويژگي هاي سطح شهر با دقت و صحت بالا و مهم ترين چالش در اين راه پيچيدگي عوارض شهري و مسيله پيكسل هاي مخلوط است. هدف از اين تحقيق استفاده از مدل هاي تجزيه و تحليل زير پيكسل، براي استخراج عوارض سطحي شهر رشت به منظور پيش بيني براي تغييرات رشد آتي اين شهر است. بدين منظور از سه تصوير لندست مربوط به سال هاي؛ 0991 (سنجنده TM)، 2002 (سنجنده +ETM) و5102 (سنجنده OLI/TIRS) و روش تجزيه و تحليل طيف مخلوط نرمال شده (NSMA)، براي استخراج عوارض سطحي استفاده شد. براي طبقه بندي تصاوير از لايه هاي كسري پوشش به عنوان لايه هاي ورودي و عضوهاي پاياني به عنوان نمونه هاي آموزشي و الگوريتم حداكثر احتمال به عنوان الگوريتم طبقه بندي كننده استفاده شد؛ كه در نتيجه صحت كلي بالاي 99% و ضريب كاپاي بالاي 89/0 براي تصاوير سه دوره بدست آمد. به منظور پيش بيني رشد شهري با شبكه عصبي در اين تحقيق از مدل پرسپترون چند لايه(MLP)با الگوريتم يادگيري پس انتشار (BP) استفاده شد. نتايج مقايسه خروجي مدل با نقشه طبقه بندي سال 5102 ، ضريب كاپاي 29%،كاپاي استاندارد 98% و كاپاي طبقه اي (براي طبقه ساخته شده) 39%، را نشان داد. مدل استفاده شده در اين تحقيق در پيش بيني رشد مرزهاي شهر موفق عمل كرده است، اما در پيش بيني مناطق ساخته شده انفرادي اطراف شهر صحت كمتري دارد.

Using satellite images with a medium spatial resolution to detect, monitoring and prediction of urban built-up areas has a great development in recent decades. The most important step in predicting of the urban areas growth is extracting the urban features with a high precision but also the greatest challenge in this way is the complexity of urban components and the issue of mixed pixels. The purpose of this research is using sub-pixel analysis to extract the surface features of Rasht city to predict the future growth of the city’s built-up areas changes. To achieve this purpose we used three Landsat images related to; 1990 (Landsat Sensor TM), 2002 (Landsat Sensor ETM +) and 2015 (sensor OLI / TIRS) years and Normalized Spectral Mixture Analysis (NSMA). In order to classifying the images, the fraction layers as input layers, endmembers as training samples and maximum likelihood as classifier algorithm were used, As a result, the overall accuracy and kappa coefficient for three period of study were calculated up to 99% and 0.98 respectively. In this study, however, in order to predict urban growth by ANN model, Multilayer Perceptron (MLP) with Back-Propagation learning algorithm (BP) were used. The results of comparison between model’s output and 2015 classification map showed a 92% kappa coefficient, a 89% standard Kappa and a 93% classification Kappa (for classes) respectively. The used model in this research has been successful in predicting the growth of urban boundaries, but also less accurate in predicting the individual built-up areas around the urban areas.