چکیده:
استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش بینی مناطق ساخته شده شهری در دهه های اخیر توسعه یافته است. مهم ترین گام در پیش بینی رشد مناطق شهری، استخراج ویژگی های سطح شهر با دقت و صحت بالا و مهم ترین چالش در این راه پیچید گی عوارض شهری و مسئله پیکسل های مخلوط است. هدف از این تحقیق استفاده از مدل های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سال های؛ 0991 (سنجنده TM)، 2002 (سنجنده +ETM) و5102 (سنجنده OLI/TIRS) و روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه های کسری پوشش به عنوان لایه های ورودی و عضوهای پایانی به عنوان نمونه های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه بندی کننده استفاده شد؛ که در نتیجه صحت کلی بالای 99%و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش بینی رشد شهری با شبکه عصبی در این تحقیق از مدل پرسپترون چند لایه(MLP)با الگوریتم یادگیری پس انتشار (BP) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه بندی سال 5102 ، ضریب کاپای 29%،کاپای استاندارد 98% و کاپای طبقه ای (برای طبقه ساخته شده) 39%، را نشان داد. مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.
Using satellite images with a medium spatial resolution to detect، monitoring and prediction of urban built-up areas has a great development in recent decades. The most important step in predicting of the urban areas growth is extracting the urban features with a high precision but also the greatest challenge in this way is the complexity of urban components and the issue of mixed pixels. The purpose of this research is using sub-pixel analysis to extract the surface features of Rasht city to predict the future growth of the city’s built-up areas changes. To achieve this purpose we used three Landsat images related to; 1990 (Landsat Sensor TM)، 2002 (Landsat Sensor ETM +) and 2015 (sensor OLI / TIRS) years and Normalized Spectral Mixture Analysis (NSMA). In order to classifying the images، the fraction layers as input layers، endmembers as training samples and maximum likelihood as classifier algorithm were used، As a result، the overall accuracy and kappa coefficient for three period of study were calculated up to 99% and 0.98 respectively. In this study، however، in order to predict urban growth by ANN model، Multilayer Perceptron (MLP) with Back-Propagation learning algorithm (BP) were used. The results of comparison between model’s output and 2015 classification map showed a 92% kappa coefficient، a 89% standard Kappa and a 93% classification Kappa (for classes) respectively. The used model in this research has been successful in predicting the growth of urban boundaries، but also less accurate in predicting the individual built-up areas around the urban areas.