Abstract:
آنالیز تصاویر چندزمانه سنجش از دور، تکنیک کارآمدی برای شناسایی تغییرات کاربری و پوشش اراضی در مناطق شهری می باشد. جدا از تکنیک بکار رفته برای شناسایی تغییرات،فضای ویژگی تاثیر بسیار زیادی در صحت نتایج دارد. حصول نتایج رضایت بخش در شناسایی تغییرات مناطق شهری، مستلزم بکارگیری ویژگی های طیفی و مکانی (بافت) بهینه می باشد. اگرچه جستجوی سراسری تنها تضمین دست یابی به مجموعه ویژگی های بهینه است، ولی در عمل فرآیندی بسیار زمانبر و غیرعملی است. در تکنیک های کاهش بعد همچون تکنیکPCA تنها استقلال آماری داده ها برای رسیدن به مولفه هایی جدید با وابستگی کمتر مدنظر بوده و بهبود صحت شناسایی تغییرات بطور مستقیم دنبال نمی شود. تعیین حدآستانه مناسب برای انتخاب ویژگی های بهینه در تکنیک تفکیک پذیری آماری (SAA) با فاصله JM نیز عملا از کارایی این تکنیک می کاهد. تمرکز اصلی مقاله حاضر، انتخاب ویژگی های طیفی و بافت بهینه با الگوریتم ژنتیک و طبقه بندی کننده بیزین می باشد. جهت بررسی کارآیی تکنیک پیشنهادی، تغییرات شهر جدید سهند (شمال غرب ایران) با بکارگیری تصاویر سنجنده های IRS-P6 و Geo-Eye1اخذ شده در 14 جولای 2006 و 1 سپتامبر 2013 مورد بررسی قرار گرفت.تمامی تکنیک های مذکور در محیط برنامه نویسی MATLABR2013aپیاده سازی شدند.نتایج حاصل از این تحقیق نشان داد ویژگی های بافت می تواند به عنوان منبع اطلاعاتی مکمل، سبب بهبود نتایج شناسایی تغییرات در مناطق شهری شود. انتخاب ویژگی یک فرآیند تاثیرگذار در شناسایی تغییرات مبتنی بر ویژگی های طیفی و بافت می باشد. هریک از تکنیک های انتخاب ویژگی، محدودیت ها و مزایای خاص خودشان را داشته ولی در کل بهبود صحت شناسایی تغییرات را بدنبال دارند. مقایسه کارآیی تکنیک های انتخاب ویژگی نشان داد، تکنیک پیشنهادی در مقایسه با دو تکنیک متداولPCA و SAA (که نتایج مشابهی داشتند) از کارآیی و صحت بالاتری برخوردار است.با بکارگیری روش پیشنهادی، ضریب کاپا و صحت کلی نقشه تغییرات به ترتیب از 66/53% به 49/88% و از 94/58% به 39/90%،(در مقایسه با بکارگیری باندهای اصلی تصاویر)،افزایش یافت.
Analyzing multi-temporal remotely sensed images is a powerful technique for monitoring land use and land cover changes in urban areas. Apart from the change detection (CD) technique، the features space have an enormous impact on the CD accuracy.To achieve satisfactory CD results in urban area، optimum selection of textural and spectral features is necessary. Although an exhaustive search guarantees the optimality of the selected features، but it is computationally prohibitive. Data reduction techniques such as PCA considers the independence of the data to find a smaller set of variables with less redundancy without intending to improve the CD accuracy. Difficulty in setting the best threshold for JM distance in separability analysis algorithm (SAA) reduces its efficiency. The aim of this paper is finding the optimal textural and spectral features to enhance the CD accuracy using genetic algorithms (GA) and Bayesian classifier. To evaluate the effectiveness of the proposed approach، a case study using IRS-P6 and GeoEye1 satellite imagery acquired on July 15، 2006، and September 1، 2013، respectively، from Sahand New Town (Northwest of Iran) was performed. All the mentioned feature selection methods (PCA، SAA and proposed GA-based method) were implemented in MATLAB R2013a. Results show that، textural features provides a complementary source of data for CD in urban areas. Results show that features selection is an effective procedure in change detection based on textural and spectral features. Each of feature selection methods has its own limitation and advantages، but in general they increase the CD accuracy. The proposed GA-based feature selection approach was found to be relatively effective when compared to PCA and SSA approaches. Overall accuracy and Kappa coefficient of CD were increased from 53.66% to 88.49% and 58.94% to 90.39%، respectively using proposed method in compared with that using only spectral information.