شناسايي اتوماتيك تغييرات كاربري/پوشش اراضي از تصاوير سنجش از دور چندزمانه و نقشه‌هاي قديمي با پالايش نمونه‌هاي آموزشي مبتني بر آزمون خي-دو و خوشه‌بندي k-means

انتخاب نمونه‌هاي آموزشي، مرحله‌اي بسيار مهم و تأثيرگذار در نتايج طبقه‌بندي و شناسايي تغييرات از تصاوير سنجش از دور بوده و لازم است با حساسيت بالايي انجام گيرد. اين نمونه ها اغلب توسط عامل انساني تعيين مي‌شوند كه فرآيندي زمان بر بوده و مستعد خطاي بالايي است. نقشه‌هاي قديمي مي توانند منبع اطلاعاتي ارزشمندي براي انتخاب و تهيه نمونه‌هاي آموزشي باشند. در صورتي كه اين نمونه‌ها‌ بطور صحيح پالايش شوند، مي‌توانند سبب تسريع، تسهيل و همچنين افزايش صحت فرآيند شناسايي تغييرات شوند. نوآوري اصلي مقاله حاضر، اهتمام در فرآيند پالايش نمونه‌ها است كه با پيشنهاد مدلي مبتني بر آزمون آماري خي‌دو و خوشه‌بندي kmeans ميسر شده است. اين روش ضمن اينكه با بكارگيري آزمون آماري خيدو، سعي در انتخاب نمونه‌هاي آموزشي خالص دارد، با خوشه‌بندي چندگانه نمونه‌هاي آموزشي با تكنيك kmeans و انتخاب نمونه‌هاي نزديك به مراكز خوشه‌هاي داخلي هر كلاس، ‌تنوع طيفي داخلي كلاسها را نيز لحاظ مي‌نمايد. در روش پيشنهادي؛ جهت بهبود صحت طبقه‌بندي و تشخيص تغييرات‌، ويژگي‌هاي طيفي و بافتي مرتبه اول و دوم ماتريس رخداد همزمان، استخراج و در فرآيند طبقه‌بندي به روش ماشين بردار پشتيبان(SVM) مورد استفاده قرار مي‌گيرد. لازم به ذكر است به منظور ارتقاي صحت طبقه‌بندي و شناسايي تغييرات، فرآيند انتخاب مجموعه ويژگي‌هاي بهينه و پارامترهاي طبقه‌بندي‌كننده SVM با الگوريتم ژنتيك بهينه شده‌اند. جهت پياده‌سازي و ارزيابي روش پيشنهادي، از تصاوير دوزمانه در بازه زماني 2011 و 2015 و نقشه كاربري اراضي سال 2009 مربوط به شهر شيراز استفاده شد. با بكارگيري روش ارائه شده در اين تحقيق، نقشه‌ هاي موضوعي منطقه مورد مطالعه با صحت كلي 98.72% و 94.57% بهنگام گرديده و با مقايسه آنها، نقشه ماهيت تغييرات حاصل گرديد. ارزيابي نتايج نشان داد؛ فرآيند پالايش نمونه‌هاي آموزشي سبب بهبود نتايج طبقه‌بندي تصوير سال 2011 (افزايش ضريب كاپا از 65% به 87% و افزايش صحت كلي از 73% به 91%) و همچنين تصوير سال 2015 (افزايش صحت كلي از 69% به 86.32% و افزايش ضريب كاپا از 59% به 80.48%) شده است.