آشكارسازي تغييرات مناطق شهري مبتني بر شبكه‌هاي عصبي، ويژگي‌هاي مكاني و الگوريتم ژنتيك با استفاده از تصاوير ماهواره‌اي بزرگ‌مقياس

Change Detection of Urban Areas based on Neural Networks, Spatial Features and Genetic Algorithm using High Resolution Satellite

آشكارسازي تغييرات پوشش اراضي براي پايش رشد شهرها و برنامه‌ريزي مسيولانه در مورد آنها امري ضروري است. سنجش‌ از دور فناوري قدرتمندي است كه مي‌توان از آن در آشكار‌‌سازي تغييرات اراضي استفاده كرد. يكي از چالش‌هاي موجود در اين زمينه توسعه روش‌‌هاي كارآمد به‌منظور آشكار‌سازي تغييرات با سطح خودكارسازي بالاست كه بتواند اطلاعاتي صحيحي در مورد موقعيت جغرافيايي و ماهيت اين تغييرات ارايه كند. در پژوهش حاضر با استفاده از دو تصوير GeoEye منطقه 17 شهر تهران مربوط به سال‌هاي 2004 و 2010 از ويژگي‌هاي مكاني متن تصوير، شبكه‌هاي عصبي و الگوريتم ژنتيك براي آشكار‌سازي تغييرات استفاده شد. شش حالت مختلف، هريك با دو رويكرد طبقه‌بندي مستقيم چندزماني و مقايسه پس از طبقه‌بندي، از ديدگاه صحت آشكارسازي و زمان اجراي الگوريتم مورد مقايسه قرار گرفتند. بررسي‌هاي انجام‌شده نشان دادند كه رويكرد طبقه‌بندي مستقيم چندزماني در هر شش حالت نتايج بهتري ارايه كرده است. همچنين در بين شش حالت بررسي‌شده، عملكرد حالت ششم (روش پيشنهادي اين تحقيق) از نظر صحت طبقه‌بندي بهتر است. در حالت ششم پس از انتخاب بهينه ويژگي‌ها، طبقه‌بندي مبتني بر شبكه‌هاي عصبي با تعيين معماري شبكه و با چندين بار اجرا صورت مي‌گيرد. هرچند زمان اجراي اين روش درمقايسه با ديگر حالت‌هاي بررسي‌شده بيشتر است، اما درصورتي‌كه صحت طبقه‌بندي به زمان ارجحيت داشته باشد اين روش كاملاً توصيه مي‌شود.

Determination of land use and land cover changes is necessary for monitoring of urban growth and responsible urban planning. Remote sensing can be used as a powerful technology in land use and land cover change detection. One of the challenges in this area is to developing efficient methods for accurate and highly automated change detection which can produce accurate and precise information about position and content of the changes. In this study two GeoEye images from Tehran 17th region related to 2004 and 2010 years were used. This study Proposed a method based on image context spatial features, neural networks and genetic algorithm. Six cases with direct multi-date classification approach and post classification approach were implemented and compared in the viewpoints of accuracy and runtime. Direct multi-date classification was superior in all six cases. Between six implemented cases, sixth case (proposed method of this research) was superior in the classification accuracy point of view. In this case after selecting optimized features, ANN classification was executed based on determining architecture and several times execution. Though runtime of sixth case was the highest, if accuracy is prior, it’s highly recommended. Keywords: Change detection, Urban growth, Spatial features, Neural Networks, Genetic Algorithm