چکیده:
در چند دهۀ اخیر مناطق شهری درنتیجۀ رشد جمعیت و توسعۀ اقتصادی، بهسرعت گسترشیافته است. اطلاع از روند تغییرات سریع کاربری اراضی، برای برنامهریزان و مدیران شهری ضروری است. تصاویر سنجشازدور، یکی از منابع مطمئن برای استخراج مناطق ساختهشده بهحساب میآیند. از بین انواع مختلف تصاویر سنجشازدور، تصاویر راداری در استخراج مناطق شهری کارایی مناسبی دارند. سنجندههای راداری در قطبشهای مختلف و در مدارهای صعودی و نزولی تصویربرداری میکنند. مقادیر ضریب بازپخش در قطبشها و مدارهای برداشت متفاوت، به ویژگیهای مختلفی از پدیدهها وابسته است و امکان شناسایی بهتر پدیدهها را فراهم میکند. در این مطالعه به بررسی ارزیابی عملکرد تصاویر صعودی و نزولی سنتینل-1 در دو باند VV و VH، در استخراج مناطق ساختهشدۀ شهر اصفهان پرداخته شده است. برای تفکیک مناطق شهری از سایر مناطق، از روش آستانهگذاری خودکار اتسو استفاده شد. خروجی بهدستآمده از اعمال مقادیر آستانه، با تصاویر باقدرت تفکیک بالای گوگل ارث مقایسه شد. مقایسۀ تصاویر برداشتشده در دو مدار صعودی و نزولی نشان میدهد صرفنظر از قطبش، تصاویر نزولی دقت بالاتری نسبت به تصاویر صعودی داشتهاند، صحت کلی باندهای VV و VH بهترتیب برای تصاویر نزولی برابر 90 و 87 درصد و برای تصاویر صعودی 88 و 84 بوده است. همچنین تصاویر باندVV در هر دو مدار تصویربرداری در مقایسه با باند VH کارایی بهتری در استخراج مناطق ساختهشده داشته است. براساس نتایج تحقیق، تصاویر نزولی باند VV سنتینل-1 با صحت کلی 90 درصد، بالاترین دقت را در مقایسه با سایر تصاویر در استخراج مناطق ساختهشدۀ شهر اصفهان دارند.
In recent decades, built-up urban areas have expanded rapidly as a result of population growth and economic development. In developing countries, this trend is faster. It is essential to Know the trend of rapid land-use changes for urban managers to plan for the future growth of the city while providing appropriate urban services. Satellite imagery is a reliable source in built-up areas extraction. Among the various types of satellite imagery, radar imagery is effective in urban areas extraction because they captured images in all weather conditions and ascending and descending orbits. In this study, the performance of the time series of ascending and descending images of Sentinel 1 in VV and VH bands were evaluated in the extraction of built-up areas. The areas with high slopes were masked using a digital elevation model to reduce the effects of geometric distortions. The threshold of the built-up areas was extracted from the image histogram using the Otsu automatic threshold algorithm. The results were further evaluated by a high-resolution Google Earth image. In both polarimetric bands, the image in descending orbits has higher overall accuracies in comparison to ascending orbits. The overall accuracies in VV and VH were 90% and 87% in the descending orbit and 88% and 84% in ascending orbit, respectively. The findings of this study show that the VV image has higher accuracies in both orbits in comparison to the VH image. The descending image in VV has 90% overall accuracy in urban area extraction in Isfahan city.
خلاصه ماشینی:
در اين مطالعه به بررسي ارزيابي عملکرد تصاوير صعودي و نزولي سنتينل -١ در دو باند VV و VH، در استخراج مناطق ساخته شدٔە شهر اصفهان پرداخته شده است .
هدف از اين تحقيق ، بررسي توانايي تصاوير صعودي و نزولي سنتينل -١ در دو باند VV٢ و VH٣ در شناسايي مناطق ساخته شدٔە شهر اصفهان با استفاده از آستانه گذاري خودکار اتسو٤ است .
نوآوري اين مقاله در بررسي اثر مدار اخذ تصوير (صعودي يا نزوليبودن ) و همچنين توانايي باندهاي پلاريمتريک سنتينل -١ و روش آستانه گذاري خودکار اتسو براي تفکيک مناطق ساخته شده از ساير کاربريها در شهر اصفهان است .
براي همين منظور، استفاده از سنجش ازدور براي استخراج مناطق ساخته شده شهري با دقت مناسب و با صرف زمان کمتر و همچنين قابليت برداشت هاي متوالي و منظم امکان پذير است (٢٠١٦ ,.
نقشۀ شهر اصفهان (لندست ٨، تاريخ ٢٠٢٠/٣/١١) داده هاي مورداستفاده براي انجام اين تحقيق از تصاوير سنتينل -١ (جدول ١) در محدودٔە باند C در پلتفرم گوگل ارث انجين استفاده شده است .
ارزيابي نتايج (رجوع شود به تصویر صفحه) در شکل هاي ٧ و ٨ خروجي نهايي استخراج مناطق ساخته شده و ساخته نشده براي شهر اصفهان آمده است .
خروجي نهايي تصاوير صعودي و نزولي براي باند VH بعد از استخراج مناطق ساخته شده با استفاده از گوگل ارث ، اقدام به برداشت نمونه هاي ارزيابي شد.
Classification and Change Detection of Urban Built-up Lands Using Remote Sensing Images.
A new fusion approach for extracting urban built-up Areas from Multisource Remotely Sensed Data.