آشکارسازی تغییرات کاربری اراضی با تکنیک طبقه بندی بر روی تصاویر ماهواره Worldview-2 و استفاده از الگوریتم های شبکه عصبی مصنوعی

به طور کلی داشتن یک تابع کلیدی در بسیاری از زمینه های کاربرد عملی آشکارسازی تغییرات، یکی از مشکلاتجالب در پردازش تصویر است. حفاظت و کنترل از محیط زیست باعث علاقه فزآینده و توجه ویژه در جامعه سنجش از دوربه این موضوع شده است. آشکارسازی تغییرات پوشش زمین مربوط می شود به تجزیه و تحلیل سنجش از دور تصاویر چندطیفی که در دو زمان متفاوت از یک منطقه جغرافیایی مشابه کسب شده است. شبکه های عصبی مصنوعی نیز به عنوان یکابزار مهم برای پرداختن به بسیاری از مشکلات مربوط به پردازش تصاویر سنجش از دور پدید آمده است که شامل هر دوروش طبقه بندی نظارت شده و همچنین طبق هبندی نظارت نشده می باشد. در این تحقیق ما رو شهایی را که در هر دوالگوی طبقه بندی نظارت شده و نظارت نشده به رسمیت شناخته شده، برای آشکارسازی تغییرات در تصاویر ماهواره ای چندزمانه با قدرت تفکیک بالا و چند طیفی مورد ارزیابی قرار دادیم که نتیجه آن بهترین الگوریتم برای طبقه بندی تصاویرماهواره ای با قدرت تفکیک بالا برای الگوریتم پرسپترون چند لایه (MLP) با دقت کلی و ضریب کاپا به ترتیب 91.28 درصدو 0.89 بدست آمد. همچنین شبکه تابع شعاع مدار (RBF) با دقت کلی 77.75 درصد و ضریب کاپا 0.72 و در نهایت شبکهنگاشت خودسازمانده (SOM) با کمترین دقت به میزان 74.09 درصد برای دقت کلی و مقدار 0.67 برای ضریب کاپا بدست آمد. در نهایت، تحلیل تغییرات منطقه مورد مطالعه، شامل بیشترین تغییرات کاربری اراضی مربوط به کلاس بدون کاربری(بایر) و کلاس پوشش گیاهی م یباشد که حدود 8450 متر مربع از زمین بایر به پوشش گیاهی تغییر نموده است. همچنینمیزان 482 متر مربع از پوشش گیاهی به ساختمان تغییر کرده است.

Keywords:

طبقه بندی , آشکارسازی تغییرات , شبکه های عصبی RBF , MLP و SOM