چکیده:
آشکارسازی تغییرات پوشش اراضی اهمیت بسزایی در برنامه ریزیهای محیطی توسعه پایدار دارد. در این زمینه ، آنالیز تصاویر چندزمانه سنجش از دور روشی کارآمد در اسـتخراج ایـن تغییرات است . بدین منظور، روش مقایسه پس از طبقـه بنـدی، روشـی رایـج در اسـتخراج تغییرات پوشش اراضی شناخته شده است . باوجود این ، ایـن روش بـه دلیـل بهـره گیـری از طبقه بندیکننده های سخت ، دقت مناسبی در حضور پیکسل های مخلوط ندارد و عدم قطعیت بسیار زیادی در ماتریس تغییرات حاصل از آن وجود دارد. در تحقیق حاضر، ابتدا روش هـای مختلف آشکارسازی تغییرات دسته بندی شده و روشی مبتنیبر استفاده از نقشه های نسبتی حاصل از طبقه بندی نرم ، برای استخراج اطلاعات دقیق تغییرات پیشنهاد شـده اسـت . ایـن روش علاوه بر استخراج مناطق تغییر یافته . نیافته ، ماتریس کامل تغییـرات (میـزان تبـدیل کلاس های مختلف به یکدیگر) را نیز بـا دقـت زیرپیکسـل امکـان پـذیر سـاخته اسـت . بـا پیاده سازی این روش بر تصاویر چندزمانه منطقـه مـورد مطالعـه ، نتـایج حاصـل بـا نتـای به دست آمده از روش مقایسه پس از طبقه بندی مقایسه و ارزیابی شده است . از دسـتاوردهای مهم تحقیق این است که روش مقایسه پس از طبقه بندی میزان تغییرات را به طـور متوسـط
٩.٢ درصد کمتر از روش پیشنهادی برآورد کـرده اسـت . همچنـی ، تفـاوت نتـایج دو روش درمورد پوشش اراضی غیرهمگن نسبت به پوشش همگن ، به مراتب بیشتر است . به طور کلـی، به دلیل درنظر گرفتن سهم کلاس ها در سطح پیکسل ، روش پیشنهادی با دقت بالایی ماتریس تغییرات پوشش اراضی را تولید کرده است و میتواند در مدیریت منابع طبیعی مورد استفاده قرار گیرد.
خلاصه ماشینی:
"بـرای ارزیـابی عملکـرد LSMM، خطای RMS مربوط به هر پیکسل مطابق رابطۀ ٣ محاسبه میشود: m Ʃ b2 e رابطۀ ٣ RMSE= b=1 m در روش های مطرح شده برای آشکارسازی تغییرات به صورت نرم (زیرپیکسلی) با توجه به چندبرچسبی بودن نتایج طبقه بندی نرم مربوط به تصاویر چندزمانه ، نخست بـا اعمـال حد آستانه برای سهم کلاس ها در هر پیکسل و یا با استفاده از یک تصمیم گیرندة سـخت (مانند الگوریتم بیشترین شباهت )، نقشۀ سخت هریک از تصاویر چندزمانه تولید میشـود 1.
1. Support Vector Machine (SVM) / تصاویر چندزمانه (TM و +ETM) هم مرجع سازی و تصحیحات هندسی ماسک شاخص پوشش گیاهی و آستانه گذاری نتایج طبقه بندی سخت استخراج نمونه های آموزشی و پیکسل های خالص طبقه بندی سخت (SVM) تولید نقشه های نسبتی (LSMM) استخراج تغییرات کاربری مبتنیبر تفاضل نقشه های نسبتی و استخراج روش مقایسه پس از طبقه بندی تغییرات مثبت و منفی تولید ماتریس تغییرات کاربری و تولید ماتریس تغییرات کاربری نقشۀ تغییرات مقایسۀ آماری اطلاعات تغییرات کاربری شکل ٤ روند کلی ارزیابی روش پیشنهادی استخراج تغییرات کاربری در سطح زیرپیکسل ٣- پیاده سازی و نتایج با بهره گیری از ماسک گذاری شاخص پوشش گیـاهی و همچنـین اسـتفاده از شـاخص درجـۀ خلوص پیکسلی پیشرفته ، پیکسل های خالص با دقت بالایی تعیین شد؛ به گونه ای که با معرفـی این پیکسل ها به LSMM و حل مدل به صورت غیرشرطی، تعداد پیکسل های بـا سـهم تعلـ خارج از بازه [١-٠] (پیکسل های نرسیده ١ و ردشده ٢) کمتر از ٥ درصد (٢.
با ایـن حال ، در این روش ها برای تعیین چگونگی تبدیل کلاس ها به یکـدیگر (اطلاعـات «از- بـه »)، نتایج طبقه بندی نرم مربـوط بـه تصـاویر چندزمانـه در یـک راینـد پـس پـردازش بـه حالـت تک برچسبی (سخت ) تبدیل شده است و مانند روش های رایـج مقایسـه پـس از طبقـه بنـدی، تغییرات استخراج میشود."