خلاصة:
استفاده از داده های سنجش از دور با توجه به ارائه اطلاعات به روز ، پوشش تکراری وکم هزینه بودن در ارزیابی منابع طبیعی از جایگاه خاصی برخوردار است . همچنین آشکارساختن تغییرات یکی از نیازهای اساسی در مدیریت و ارزیابی منابع طبیعی است. بنابراین میزان تغییرات کاربری و پوشش اراضی را که نتیجه فرایند آشکارسازی تغییرات می باشد ، می توان بر اساس تصاویر چند زمانه سنجش از دور برآورد نمود . لذا در این پژوهش، تصاویر ماهواره ای لندست 8 (OLI&TIRS) سال 2013 و لندست7 (ETM+) سال 2000 به عنوان داده ورودی برای تهیه نقشه کاربری و پوشش اراضی در سطح 2و1 مورد استفاده قرار گرفتند. در این بین ، با توجه به جدید بودن تصاویر OLI، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل ساز نرم افزار Erdas فرمول نویسی شد. همچنین از شاخصهای گیاهی (NDVI) ، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفه های اصلی (PCA) به عنوان ورودی در کنار دیگر باندها برای افزایش دقت طبقه بندی مورد استفاده قرار گرفت . روش ماشین بردار پشتیبان (SVM) با روش شبکه عصبی مصنوعی(ANN) و حداکثر احتمال (MLC) در تصاویرOLI مورد مقایسه قرار گرفت . نتایج نشان داد که روش ماشین بردار پشتیبان با دقت7/ 92 ٪ در کرنل چندجمله ای با درجه 5 نسبت به روشهای شبکه عصبی با دقت89 ٪ و روش حداکثر احتمال با 8/ 91٪ مناسبترین روش برای طبقه بندی می باشد . همچنین جایی که کلاسها رفتار طیفی مشابهی را از خود نشان می دهند روش SVM کارایی بهتری از خود نشان می دهد. برای آشکار سازی تغییرات ایجاد شده در بازه زمانی 13 سال از روش مقایسه پس از طبقه بندی استفاده شد. نتایج به دست آمده نشان دهنده تغییر وسیع کاربری و پوشش اراضی در این حوضه می باشد که لزوم نظارت و مدیریت مناسب را می طلبد.
Using remote sensing data due to providing updated information, cover repetitive, low-cost assessment of natural resources have a special place. Also change detection in the management and evaluation of natural resources is one of the basic needs. Thus the value of change of land use /land cover (LULC) is the result of the change detection process can obtain on multi-temporal remote sensing images. Therefore, in this study, both of the Landsat satellite images 8 (OLI&TIRS) the year 2013 and 7(ETM+) the year 2000 were used as input data for land cover/ use mapping level 1 and 2. In the meantime, because of the new images OLI, radiometric corrections was formulation with existing equation with using in Erdas software model maker.also from Normalize Difference Vegetation Index (NDVI), Bare Soil Index (BI) and three main components from Principal Component Analyze (PCA) as input alongside other bands were used to increase the accuracy of classification. The polynomial 5 degree from SVM method compared with artificial neural network (ANN) and maximum likelihood classification (MLC). Results showed that support vector machine method using Polynomial kernel and degree 5 (accuracy 92%) gives overall accuracy higher than artificial neural network method (accuracy 89% ) and maximum likelihood method (accuracy 91.8%) . Also SVM method shows better performance where classes exhibit similar spectral behavior. Post classification method used for detect changes in the timeframe of 13 years. The results show large changes in (LULC) was occurred thus need monitoring and proper management is needed for this watershed.
ملخص الجهاز:
در این روش تأثیرات اتمسفر، سنجنده (تأثیر استفاده از تصاویر با سنجنده های متفاوت به حداقل می رسد) و محیط کاهش می یابد و تغییرات به صورت ماتریس بیان می گردد ولی صحت این نوع آشکارسازی به صحت طبقه بندی تصاویر بستگی 5- Rogers 6- Yan 7- Post Classification Method 8- Singh 9- Radke دارد (یوان ١٠ و همکاران ، ٢٠٠٥: ٣١٧؛ میلر١١ و همکاران ، ١٩٩٨: ٢٤٥).
از اواخر دهه ی ١٩٨٠، روش مذکور برای تجزیه وتحلیل داده های سنجش از دور در کاربردهای گوناگون مانند، طبقه بندی پوشش اراضی، آشکارسازی ابر و امثال آن به کار گرفته شد (وارنر٢٠، ٢٠٠٥: 10- Yuan 11- Miller 12- Artificial Neural Network 13- Support Vector Machine 14- Foody 15- Maximum Likelihood Classification 16- Srivastava 17- Statistical Learning Theory 18- Vapnik 19- N-Dimensional 20- Warner ١٢٠٨) و جزو تکنیک طبقه بندی ناپارامتریک می باشد (لیو و وانگ ٢١، ٢٠٠٧: ٨٢٣).
هدف از این مطالعه نیز بررسی دقت الگوریتم SVM با کرنل چندجمله ای درجه ٥ با روش ANN و MLC با استفاده از باندهای متفاوت ، در طبقه بندی کاربری و پوشش 21- Lu & Weng 22- Atkinson & Tatnall 23- Koh Tao اراضی به منظور آشکارسازی تغییرات به وجود آمده در بازه زمانی ١٣ سال در بالادست حوضه صوفی چای می باشد.