ارائه یک روش خودکار کشف تغییرات مبتنی بر کرنل در مناطق شهری با استفاده از تصاویر چندطیفی ماهواره لندست، مطالعه موردی: شهر کرج

در چند دهه ی گذشته جمعیت شهر نشین و در نتیجه توسعه مکانی مناطق شهری شتابی فزاینده داشته است. این مهم به بروز تغییرات محیطی در این مناطق منجر شده است. از این رو، کشف تغییرات در بازه های زمانی مختلف در مناطق شهری از اهمیت بالایی برخوردار است. روش های کشف تغییرات متداول با استفاده از تصاویر سنجش از دوری، بیشتر مبتنی بر تشخیص تغییرات طیفی و محاسبه فاصله طیفی بین پیکسل ها بوده و ماهیت تغییرات بصورت خطی در نظر گرفته می شود. این درحالیست که، معمولا تصاویر سنجش از دوری تحت تاثیر نویز و یا تغییرات رادیومتریکی هستند و در نتیجه ماهیت تغییرات می تواند به صورت غیرخطی باشد. از طرف دیگر، یکی از چالش های اصلی در تولید نقشه تغییرات در مناطق شهری، محدودیت در جداسازی طیفی زمین های ساخته شده و زمین‍های بایر از یکدیگر در این مناطق است. بدین منظور، در این مقاله یک روش آشکارسازی تغییرات خودکار مبتنی بر کرنل و با قابلیت استفاده هم زمان از اطلاعات طیفی و شاخص های طیفی مختلف پیشنهاد شده است. در مرحله اول، شاخص های طیفی مناسب برای جداسازی کلاس های پوششی در منطقه شهری از تصاویر چندزمانه استخراج می شوند. به کمک آنالیز مولفه بردار تغییر و تعیین خودکار حد آستانه، نمونه های شبه آموزشی غیر دقیق مربوط به کلاس های تغییر یافته و بدون تغییر استخراج می شوند. به منظور محاسبه تصویر تفاضلی، دو روش تفاضلی جدید در فضای اولیه طیف و در فضای هیلبرت ارائه شد. نمونه های شبه آموزشی بدست آمده از مرحله قبل به عنوان ورودی به الگوریتم خوشه بندی وارد شده و به طور همزمان با بهینه سازی یک تابع هزینه، مقادیر دقیق پارامترهای الگوریتم خوشه بندی و نمونه های آموزشی دقیق استخراج می شوند. از نمونه های آموزشی دقیق برای آموزش طبقه بندی کننده حداقل فاصله مبتنی بر کرنل استفاده می شود. در مرحله آخر هر یک از پیکسل های مجهول به طبقه بندی کننده وارد شده و کلاس هریک از این پیکسل ها مشخص می شود. به منظور ارزیابی دقت و کارایی الگوریتم کشف تغییرات پیشنهادی، این الگوریتم بر روی تصاویر چندطیفی و چندزمانه ماهواره لندست 5 سنجنده TM از شهر کرج مربوط به دو تاریخ 1366 و 1390 اعمال شد. به منظور آنالیز حساسیت روش پیشنهادی کشف تغییرات نسبت به نوع ویژگی های مورد استفاده، از 5 مجموعه ویژگی مختلف به عنوان ورودی به الگوریتم استفاده شد. به منظور انجام ارزیابی مقایسه ای، دقت روش پیشنهادی مبتنی بر کرنل در دو حالت استفاده از روش تفاضلی تصاویر در فضای ورودی اولیه (DFSS) (دقت کلی: 86.40 و کاپا: 0.83) و روش تفاضلی تصاویر در فضای ویژگی (DFHS) (دقت کلی: 85.54 و کاپا: 0.82)، با روش های کشف تغییرات مبتنی بر تبدیل MNF (دقت کلی: 77.42 و کاپا: 0.76) ، نگارنده زاویه طیفی (SAM) (دقت کلی: 64.60 و کاپا: 0.60) و روش تفاضلی ساده (DIFF) (دقت کلی: 73.44 و کاپا: 0.70) برای این 5 مجموعه ویژگی مقایسه شد. نتایج بدست آمده نشان دهنده کارایی و دقت بالای الگوریتم پیشنهادی نسبت به روش های مرسوم کشف تغییرات و توانایی بالای آن در جداسازی انواع کلاس های طیفی در مناطق شهری است.