نرماليزاسيون راديومتريك اتوماتيك تصاوير ماهواره اي چندزمانه مبتني برتبديل IR-MAD و شبكه هاي عصبي مصنوعي

Automatic Radiometric Normalization of Multi-Temporal Satellite Image based on IR-MAD Transformation and Artificial Neural

نرمالیزاسیون رادیومتریك نسبی، اغلب در آنالیز‌های تصاویر ماهواره‌ای چندزمانه، خصوصاً در آشكارسازی تغییرات كاربری اراضی مورد استفاده قرار می‌گیرد. در این تحقیق ضمن بررسی تبدیل IR-MAD، تكنیك جدیدی مبتنی بر تبدیل IR-MAD و شبكه‌های عصبی مصنوعی توسعه داده شده است. تكنیك پیشنهادی بر روی تصاویر ماهواره‌ای چندزمانه لندست تی‌ام متعلق به سال‌های 1989و2010 شهر تبریز، پیاده‌سازی شده است. استفاده از تركیب خطی تصاویر ماهواره‌ای چندزمانه، انتقال این تصاویر به فضای دیگر و تكراری بودن فرآیند تبدیل IR-MAD باعث شده كه این تبدیل به عنوان روشی مستقل از نویز آماری و شرایط اتمسفری در جهت شناسایی تغییرات و انتخاب نقاط كنترل رادیومتریكی در این تحقیق بكار رود. همچنین قابلیت و انعطاف بالای شبكه عصبی مصنوعی در تقریب توابع غیرخطی و خطی پیوسته در فضای تركیبی باعث شد كه از این شبكه‌ها در مدلسازی رابطه بین نقاط كنترل رادیومتریكی در تصاویر ماهواره‌ای چندزمانه استفاده گردد. معیار‌های ارزیابی بكار رفته در این تحقیق، شامل میانگین خطای كمترین مربعات و آزمون‌های آماری t و F می‌باشد. نتایج نشان می‌دهد كه استفاده از روش پیشنهادی موجب افزایش دقت و عملكرد نرمالیزاسیون رادیومتریك نسبی شده است. روش توسعه داده شده در این تحقیق از نظر میانگین خطای كمترین مربعات در تمامی باند‌های طیفی نسبت به روش IR-MAD و داده‌های خام بترتیب 11/0 و 13/8 درصد افزایش دقت داشته است.

Relative radiometric normalization often used in multi-temporal satellite image analysis, especially land use change detection. In this paper, IR-MAD transformation has been reviewed and a new method has been developed based on this transformation and artificial neural networks, also. The proposed method is implemented on multi-temporal Landsat TM satellite images captured in 1989 and 2010. Study area is located in Tabriz. According to Linear combination of multi-temporal satellite images, transfer the images to another space and iterative process of IR-MAD transformation, the transformation has led to independent method of statistical noise and atmospheric conditions and Used in this study for change detection and selection radiometric controls point. The capability and flexibility of ANN in approximation of nonlinear and linear continuous functions in the hybrid space has led to the networks used for modeling of relationship between radiometric controls point in multi-temporal satellite images. Evaluation metrics in this paper, include root mean square error, T-test and F-test. The results show that the proposed method increases the accuracy and performance relative radiometric normalization. The proposed method has increased. Root mean square error in all spectral bands than IR-MAD and raw data respectively 0.11 and 8.13%.