[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 6، شماره 2 - ( 6-1397 ) ::
جلد 6 شماره 2 صفحات 23-41 برگشت به فهرست نسخه ها
پایش تغییرات ازتصاویر ماهواره‌ای چندزمانه با بکارگیری الگوریتم شناسایی تغییرات چند متغیره با وزن‌دهی تکراری(IR-MAD) و طبقه‌بندی ماشین بردار پشتیبان (SVM)
آرمین مقیمی ، حمید عبادی، وحید صادقی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (283 مشاهده)
پایش تغییرات کاربری اراضی از تصاویر ماهواره‌ای چندزمانه، یکی از مهمترین کاربرد­های سنجش از دور و سیستم اطلاعات مکانی است. در پژوهش حاضر چارچوبی برای پایش تغییرات از تصاویر ماهواره‌ای چندزمانه با به‌کارگیری الگوریتم شناسایی تغییرات چند متغیره با وزن‌دهی تکراری(IR-MAD)  و طبقه‌بندی ماشین بردار پشتیبان (SVM) ارائه شده است. در این مطالعه، پایش تغییرات با استفاده از تصاویر ماهواره‌ای لندست با یک فاصله زمانی 18 ساله، برای جزیره شاهی و قسمتی از حوزه غربی دریاچه ارومیه پیاده‌سازی گردیده است. روش پیشنهادی دارای دو مرحله اصلی در پایش تغییرات می‌باشد. در مرحله اول، مؤلفه‌های شدت تغییرات به‌صورت اتوماتیک با استفاده از تبدیل IR-MAD مشخص می‌گردند. در ادامه، مؤلفه‌های بهینه با اعمال آنالیز مؤلفه اصلی با هسته کرنل (KPCA) بر مؤلفه‌های شدت تغییرات انتخاب می‌شوند. در مرحله دوم، جهت تهیه نقشه ماهیت تغییرات، مؤلفه‌های بهینه ترکیب‌شده با استفاده از روش SVM طبقه‌بندی می‌شوند. به‌منظور بررسی عملکرد روش پیشنهادی در جهت پایش تغییرات، این روش با روش‌های متداول ترکیب طیفی-زمانی و مقایسه پس از طبقه‌بندی مقایسه گردید. ارزیابی نتایج نشان میدهد که روش پیشنهادی موجب بهبود دقت کلی به میزان %89/4 و %39/4 به ترتیب نسبت به روش‌های آنالیز ترکیبی طیفی-زمانی و مقایسه پس از طبقه‌بندی شده است.
واژه‌های کلیدی: پایش تغییرات، تصاویر ماهواره‌ای چندزمانه، الگوریتم شناسایی تغییرات چند متغیره با وزن‌دهی تکراری (IR-MAD)، طبقه‌بندی ماشین‌بردار پشتیبان(SVM)
متن کامل [PDF 1855 kb]   (120 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: ۱۳۹۵/۶/۳۱ | پذیرش: ۱۳۹۶/۶/۴ | انتشار: ۱۳۹۷/۶/۳۱
فهرست منابع
1. [1] A. Singh, "Review article digital change detection techniques using remotely-sensed data", International journal of remote sensing, Vol. 10(6), pp. 989-1003, 1989. [DOI:10.1080/01431168908903939]
2. [2] A. Moghimi, "Integrating textural and spectral information from satellite images for change detection in urban areas using direct and post classification comparison methods", M.Sc. Thesis in Civil-Surveying Engineering In Photogrammetry, K.N Toosi University of Technology Faculty of Geodesy and Geomatics, 2015, (Persian).
3. [3] M. Hussain, D. Chen, A. Cheng, H. Wei, and D. Stanley, "Change detection from remotely sensed images: From pixel-based to object-based approaches", ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 80, pp. 91-106, 2013. [DOI:10.1016/j.isprsjprs.2013.03.006]
4. [4] D. Lu, P. Mausel, M. Batistella, and E. Moran, "Land‐cover binary change detection methods for use in the moist tropical region of the Amazon: a comparative study", International Journal of Remote Sensing, vol. 26, pp. 101-114, 2005. [DOI:10.1080/01431160410001720748]
5. [5] M. Argany, "Urban change detection using satellite images by means of spectral mixture analysis", M.Sc. Thesis in Civil-Surveying Engineering In Remote Sensing, University of Tehran, Department of Surveying and Geomatics Engineering, 2006, (Persian).
6. [6] D. Lu, P. Mausel, E. Brondizio and E. Moran, "Change detection techniques", International journal of remote sensing, Vol. 25(12), pp. 2365-2401, 2004. [DOI:10.1080/0143116031000139863]
7. [7] A. Moghimi, S. Khazai and H. Ebadi, "Unsupervised change detection using multitemporal SAR images based on improvement of Level Set Methods", Journal of Radar, Vol. 4(1), pp. 57-68, 2016, (Persian).
8. [8] R. Lunetta, J. Knight, J. Ediriwickrema, J. Lyon, and L. Worthy, "Land-cover change detection using multi-temporal MODIS NDVI data", Remote sensing of environment, Vol. 105, pp. 142-154, 2006. [DOI:10.1016/j.rse.2006.06.018]
9. [9] F. Sarmadi, "Urban growth monitoring using remote sensing and GIS analysis", M.Sc. Thesis in Civil-Surveying Engineering In Remote sensing, K.N Toosi University of Technology Faculty of Geodesy and Geomatics, 2011, (Persian).
10. [10] P. Srivastava, D. Han, M. Rico-Ramirez, M. Bray, and T. Islam, "Selection of classification techniques for land use/land cover change investigation", Advances in Space Research, Vol. 50, pp. 1250-1265, 2012. [DOI:10.1016/j.asr.2012.06.032]
11. [11] K. Kafi, H. Shafri, and A. Shariff, "An analysis of LULC change detection using remotely sensed data; A Case study of Bauchi City", in IOP Conference Series: Earth and Environmental Science, Vol. 20 (1), pp. 012056, 2014.
12. [12] M. Bouziani, K. Goïta, and D. He, "Automatic change detection of buildings in urban environment from very high spatial resolution images using existing geo data base and prior knowledge", ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 65, pp. 143-153, 2010. [DOI:10.1016/j.isprsjprs.2009.10.002]
13. [13] J. Jensen, D. Cowen, J. Althausen, S. Narumalani, and O. Weather bee, "An evaluation of the Coast-Watch change detection protocol in South Carolina", Photogrammetric Engineering and Remote Sensing, Vol. 59 pp. 1039-1044, 1993.
14. [14] M. Canty, A. Nielsen, and M. Schmidt, "Automatic radiometric normalization of multitemporal satellite imagery", Remote Sensing of Environment, Vol. 91(3), pp. 441-451, 2004. [DOI:10.1016/j.rse.2003.10.024]
15. [15] M. Canty, A. Nielsen, "Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation", Remote Sensing of Environment, Vol. 112(3), pp. 1025-1036, 2008. [DOI:10.1016/j.rse.2007.07.013]
16. [16] A. Moghimi, H. Ebadi, and V. Sadeghi, "Automatic radiometric Normalization of Multi-Temporal Satellite Image based on IR-MAD Transformation and Artificial Neural Network", Journal of Geomatics Science and Technology, Vol. 4(4), pp. 209-222, 2015 (Persian).
17. [17] C. Broncano, C. Pinilla, R. Crespo, and A. Castillo, "Relative radiometric normalization of multitemporal images", International Journal of Interactive Multimedia and Artificial Intelligence, Vol. 1(3), pp. 5-19 2010.
18. [18] A. Nielsen, K. Conradsen, and J. Simpson, "Multivariate alteration detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: New approaches to change detection studies", Remote Sensing of Environment, Vol. 64(1), pp. 1-9, 1998. [DOI:10.1016/S0034-4257(97)00162-4]
19. [19] A. Nielsen, "The regularized iteratively reweighted MAD method for change detection in multi-and hyperspectral data", Image Processing, IEEE Transactions, Vol. 16(2), pp. 463-78, 2007. [DOI:10.1109/TIP.2006.888195]
20. [20] Q. Wang, K. Boyer, "The active geometric shape model: A new robust deformable shape model and its applications", Computer Vision and Image Understanding, Vol. 116(12), pp. 1178-94, 2012. [DOI:10.1016/j.cviu.2012.08.004]
21. [21] A. Moghimi, H. Ebadi, and V. Sadeghi, "Automatic Urban Change detection by Integration of Markova random filed and Artificial Neural Network", presented at the Geomatic Nationality Conference, Tehran, 2015 (Persian).
22. [22] L. Cao, K. Chua, K. Chong, H. Lee, and Q. Gu, "A comparison of PCA, KPCA and ICA for dimensionality reduction in support vector machine", Neurocomputing, Vol. 55(1), pp. 321-36, 2003. [DOI:10.1016/S0925-2312(03)00433-8]
23. [23] X. Ma and N. Zabaras, "Kernel principal component analysis for stochastic input model generation", Journal of Computational Physics, Vol. 230, pp. 7311-7331, 2011. [DOI:10.1016/j.jcp.2011.05.037]
24. [24] V. Vapnik, "The nature of statistical learning theory", New York: Springer Science & Business Media, 2013.
25. [25] C. Burges, "A tutorial on support vector machines for pattern recognition", Data mining and knowledge discovery, Vol. 2(2), pp. 121-67, 1998. [DOI:10.1023/A:1009715923555]
26. [26] M. Salehi, Y. Maghsudi, and M. Sahebi, "Improving the Urban Area Classification Using Radar Polarimetric Data and Multi-objective Optimization Methods", Journal of Radar. Vol. 1(2), pp. 45-56, 2014 (Persian).
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Moghimi A, Ebadi H, Sadeghi V. Changes Monitoring in multitemporal satellite images using Iteratively Reweighted multivariate alteration detection (IR-MAD) algorithm and support vector machine (SVM) classification. jgit. 2018; 6 (2) :23-41
URL: http://jgit.kntu.ac.ir/article-1-587-fa.html

مقیمی آرمین، عبادی حمید، صادقی وحید. پایش تغییرات ازتصاویر ماهواره‌ای چندزمانه با بکارگیری الگوریتم شناسایی تغییرات چند متغیره با وزن‌دهی تکراری(IR-MAD) و طبقه‌بندی ماشین بردار پشتیبان (SVM). مهندسی فناوری اطلاعات مکانی. 1397; 6 (2) :23-41

URL: http://jgit.kntu.ac.ir/article-1-587-fa.html



دوره 6، شماره 2 - ( 6-1397 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 30 queries by YEKTAWEB 3792