ترکیب روش های ادغام تصاویر چندزمانه و طبقه بندی جهت پایش تغییرات دریاچه مهارلو در بازه زمانی پنج ساله (۲۰۱۸ - ۲۰۱۳)
Publish place: Environmental Sciences، Vol: 18، Issue: 1
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 158
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SCJS-18-1_014
تاریخ نمایه سازی: 24 شهریور 1400
Abstract:
سابقه وهدف: در بسیاری از تحقیق ها برای پایش تغییرات سطح آب ابتدا تصاویر چندزمانه به طور مجزا تحلیل می شوند و پس از استخراج محدوده آب، این محدوده ها با یکدیگر مقایسه شده و میزان تغییرات مشخص می گردد. با وجود این، به روشهایی نیاز است که افزون بر دقت زیاد، شناسایی تغییرات را نیز تسهیل کنند. بنابراین، برای نیل به این هدف، در این تحقیق از روشه ای ادغام تصاویر چند زمانه و طبقه بندی جهت استخراج تغییرات دریاچه مهارلو بین سال های ۲۰۱۳ تا ۲۰۱۸ استفاده می شود. مواد و روش ها: پس از انجام پیش پردازش های لازم، از دو روش گرام – اشمیت و تبدیل مولفه های اصلی برای ادغام تصاویر استفاده شد و با اعمال روش های طبقه بندی بر روی تصاویر ادغام شده، مناطق تغییریافته و بدون تغییر استخراج شدند. از روش های ماشین بردار پشتیبان (SVM)۲ و حداکثر احتمال (ML)۳ برای طبقه بندی تصاویر ادغام شده استفاده گردید. در مرحله بعد، ترکیب این روش ها با یکدیگر مقایسه شده و بهترین ترکیب دوتایی استخراج گردیده است. در نهایت، روش انتخاب شده در این تحقیق با روش های مرسوم پایش تغییرات مقایسه شد. نتایج و بحث: پس از مقایسه نتایج مشخص شد که دریاچه مهارلو از سال ۲۰۱۳ تا ۲۰۱۸ بر اساس روش گرام اشمیت - ماشین بردار پشتیبان حدود ۱۶۳.۳ کیلومتر عقب نشینی داشته است. بمنظور ارزیابی صحت نتایج، از صحت کلی و سنجه کاپا استفاده شد. با توجه به نتایج به دست آمده، روش گرام اشمیت - ماشین بردار پشتیبان دارای صحت کلی ۹۹.۳۳ درصد بوده و ضریب کاپای ۰.۹۹ را داراست و دارای کمترین خطای نسبی یعنی ۳.۹۲ کیلومترمربع می باشد و نسبت به روش های دیگر تغییرات را بهتر نشان می دهد و نتایج آن به واقعیت زمینی نزدیکتر است. در مرحله بعد، سطوح آب با استفاده از روش های مرسوم آشکارسازی تغییرات مانند روش تفاضل تصاویر، نسبت گیری باندی و تفاضل سنجه پوشش گیاهی از تصاویر استخراج شد و با نتایج حاصل از روش گرام اشمیت - ماشین بردار پشتیبان مورد مقایسه قرار گرفت. با توجه به نتایج گرفته شده، روش گرام اشمیت - ماشین بردار پشتیبان نسبت به روش های دیگر دارای صحت کلی و ضریب کاپای بالاتر و در عین حال کمترین خطای نسبی می باشد. نتیجه گیری: نتایج این تحقیق نشان می دهد که روش گرام- اشمیت برای ادغام تصاویر و ماشین بردار پشتیبان برای طبقه بندی، نتایج مطلوبی در استخراج تغییرات در تصویر داشته است. این روش می تواند به عنوان ابزاری موثر در پایش تغییرات مورد استفاده قرار گیرد، بویژه اینکه، ادغام تصاویر به دلیل بالا بردن قدرت تفکیک تصاویر می تواند در بالا بردن دقت طبقه بندی نیز موثر باشد.
Keywords:
Authors
حجت اله محبوبی
مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
محسن آزادبخت
مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :