پايش تغييرات پوشش كاربري اراضي به كمك تلفيق ماسك باينري و روش پس رده بندي در تصاوير ماهواره اي چندزمانه (بررسي موردي: منطقه فرودگاه بين المللي امام خميني(ره))

داشتن نقشه دقيق و اطلاعات مكاني قابل اطمينان مي تواند مبناي تصميم گيري صحيح و مديريت دانش بنيان فعاليت هاي عمراني در اطراف شهرهاي بزرگ باشد. فرآيند آشكارسازي تغييرات زمينه را براي بهنگام سازي اطلاعات مكاني فراهم مي سازد. روش هاي متنوعي به منظور انجام فرآيند آشكارسازي تغييرات توسط تصاوير ماهواره اي تاكنون ارائه شده است. در اين مطالعه، تغييرات كاربري اراضي ناشي از تاسيس فرودگاه بين المللي امام خميني (ره) و تاثير آن بر محيط زيست پيراموني طي يك دوره ده ساله مورد بررسي قرار گرفت. به منظور بررسي و تحليل تغييرات از روش تلفيقي توليد ماسك باينري و مقايسه پس رده بندي استفاده شد. ماسك باينري توسط روش هاي تسلدكپ و تلفيق روش هاي آستانه گذاري خودكار اتسو و كيتلر پياده سازي شد و مقايسه نيز توسط رده بندهاي بيشترين شباهت، ماشين بردار پشتيبان و شبكه عصبي مصنوعي صورت گرفت. در اين مطالعه از تصاوير متوسط مقياس سنجنده TM ماهواره لندست مربوط به سال هاي 2000، 2006 و 2010 براي شناسايي تغييرات استفاده شد. نتايج به دست آمده نشان مي دهد كه روش پيشنهادي از نظر مقايسه كمي و كيفي در نشان دادن تغييرات در مقايسه با روش پس رده بندي و بدون تلفيق ماسك از دقت بالاتري برخوردار بوده است. دقت كلي و ضريب كاپا در حالت استفاده از روش شبكه عصبي براي توليد نقشه تغييرات معادل 76/51 و 78/68 بوده است. درحالي كه دقت روش مقايسه پس رده بندي براي شبكه عصبي معادل 67/66 و 49/86 به دست آمده است.

Having precise maps and reliable spatial information can be regarded as a basis for accurate decision-making and knowledge-based management of constructional activities in sub-urban areas. Change detection process facilitates updating of spatial information. Various techniques have been proposed for conducting change detection process by means of satellite imageries. In the current study, land-use changes due to the establishment of IK international airport in south of Tehran and its impact on the surrounding environment in a ten-year period have been studied. In order to analyze the occurred changes, a combinatory method of binary mask and post-classification comparison was used. The binary mask was implemented using Tasseled-Cap method and a combination of automatic thresholding methods of Otsu and Kittler. Post-classification comparison was performed by maximum likelihood, support-vector machine and artificial neural network classifiers. Medium scale satellite images of TM sensor related to the years 2000, 2006 and 2010 were used for change detection. The results show that the proposed method had a better performance in change detection compared to post-classification technique without the binary mask combination in terms of quantitative and qualitative comparison. Overall accuracy and Kappa coefficient in the case of producing change map by neural network was achieved as 76.51 and 78.67 while for post-classification method these terms were 67.66 and 49.86, respectively.