پايش تغييرات ازتصاوير ماهواره‌اي چندزمانه با بكارگيري الگوريتم شناسايي تغييرات چند متغيره با وزن‌دهي تكراري(IR-MAD) و طبقه‌بندي ماشين بردار پشتيبان (SVM)

Changes Monitoring in multitemporal satellite images using Iteratively Reweighted multivariate alteration detection (IR-MAD) algorithm and support vector machine (SVM) classification

پايش تغييرات كاربري اراضي از تصاوير ماهواره‌اي چندزمانه، يكي از مهمترين كاربرد­هاي سنجش از دور و سيستم اطلاعات مكاني است. در پژوهش حاضر چارچوبي براي پايش تغييرات از تصاوير ماهواره‌اي چندزمانه با به‌كارگيري الگوريتم شناسايي تغييرات چند متغيره با وزن‌دهي تكراري(IR-MAD) و طبقه‌بندي ماشين بردار پشتيبان (SVM) ارائه شده است. در اين مطالعه، پايش تغييرات با استفاده از تصاوير ماهواره‌اي لندست با يك فاصله زماني 18 ساله، براي جزيره شاهي و قسمتي از حوزه غربي درياچه اروميه پياده‌سازي گرديده است. روش پيشنهادي داراي دو مرحله اصلي در پايش تغييرات مي‌باشد. در مرحله اول، مؤلفه‌هاي شدت تغييرات به‌صورت اتوماتيك با استفاده از تبديل IR-MAD مشخص مي‌گردند. در ادامه، مؤلفه‌هاي بهينه با اعمال آناليز مؤلفه اصلي با هسته كرنل (KPCA) بر مؤلفه‌هاي شدت تغييرات انتخاب مي‌شوند. در مرحله دوم، جهت تهيه نقشه ماهيت تغييرات، مؤلفه‌هاي بهينه تركيب‌شده با استفاده از روش SVM طبقه‌بندي مي‌شوند. به‌منظور بررسي عملكرد روش پيشنهادي در جهت پايش تغييرات، اين روش با روش‌هاي متداول تركيب طيفي-زماني و مقايسه پس از طبقه‌بندي مقايسه گرديد. ارزيابي نتايج نشان مي‌دهد كه روش پيشنهادي موجب بهبود دقت كلي به ميزان4.39% و 4.89% به ترتيب نسبت به روش‌هاي آناليز تركيبي طيفي-زماني و مقايسه پس از طبقه‌بندي شده است.

Monitoring Land use changes is one of the important applications of remote sensing and geographic information system. In this study, a framework for change monitoring in multitemporal satellite images is presented by Iteratively Reweighted multivariate alteration detection (IR-MAD) algorithm and support vector machine (SVM) classification. In this study, the change detection analysis has been done using multitemporal Landsat satellite images with 18 years time interval of Shahi Island and a part of the western region of Lake Urmia. The proposed method has two main steps in change monitoring. In the first step, components of change intensities are determined automatically by IR-MAD transformation. In the following, optimized components are selected by applying the kernel principal component analysis (KPCA) on components of change intensities. In the next step, for generating the content of change map, The combination of optimal components is classified by SVM method. For the evaluation performance of the proposed method, in change monitoring, this method was compared with conventional methods such as analysis of the spectral–temporal combination and post classification comparison. The experimental results show that the overall accuracy of the proposed method increased 4.89% and 4.39% compared to that of the spectral-temporal Combination and post classification comparison, respectively.