تهيه نقشه تغييرات در مناطق شهري به كمك تصاوير ماهواره‌اي با تأكيد بر استفاده حداكثري از نقشه‌هاي قديمي موجود

Mapping Changes in Urban Areas Using Satellite Imagery with an Emphasis on Maximum Use of Old Maps

به دلیل تغییر سریع جوامع بشری و به تبع آن رشد و گسترش شهرها، مطالعه این تغییرات به منظور كنترل و مدیریت هر چه بهتر شهری و كمك به تصمیم‌گیران جهت گرفتن تصمیم‌های كاربردی امری ضروری می‌باشد. در امر تشخیص تغییر، طبقه‌بندی تصاویر و ارائه یك راه‌كار مناسب برای آن نقشی اساسی ایفا می‌كند. برای این منظور روش‌های بسیاری وجود دارد كه آن‌ها را می-توان به دو دسته كلی روش‌های پیكسل مبنا و روش‌های شی پایه تقسیم‌بندی نمود كه روش‌های شی‌پایه معمولاً نتایج قابل اعتمادتری ارائه می‌دهند. به منظور طبقه‌بندی نظارت شده شی‌گرا نیاز به داده‌های آموزشی وجود دارد. با توجه به روش‌های انتخاب داده آموزشی و وابسته بودن این كار به اپراتور مجرب، این قسمت مرحله‌ای پرهزینه و زمان‌گیر در روند كشف تغییرات می‌باشد. هدف اصلی این تحقیق استخراج نقشه تغییرات با بهره‌گیری حداكثری از نقشه قدیمی از طریق استخراج و پالایش داده‌های آموزشی می‌باشد. در این راستا به استخراج نمونه‌های آموزشی از نقشه و انجام خالص سازی آن‌ها با استفاده از روش‌های K نزدیك‌ترین همسایه و k-means برای استفاده در طبقه‌بندی پرداخته شده است. نتایجی كه از ویرایش داده‌های آموزشی برای استفاده در طبقه‌بندی حاصل شد، موجب بهبود 15 درصدی در دقت طبقه‌بندی گردید. همچنین دقت نقشه تغییرات به دست آمده در بهترین حالت نیز 09/98 درصد می‌باشد.

Due to the rapid transformation of the societies, and the consequent growth of the cities, it is necessary to study these changes in order to achieve better control and management of urban areas and assist the decision-makers. Accordingly it is essential to design a proper solution for image classification. For this purpose, there are numerous methods that can be divided into two general categories pixel-based and object-based methods. Object-based classification and information extraction methods are usually known as being more effective for classification and interpreting purposes especially in urban areas. However supervised object-based classification, like other supervised methods, requires accurate and sufficient training data. Due to these facts it is highly motivated to design a efficient method to provide reliable training data from existing data sets. In this regard, the training samples was extracted from map and purified by using K nearest neighbor and k-means methods. The results of training data editition improved over 15 percents in the classification accuracy. And change map extraction accuracy in the best case was 98.08 percent.