[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 6، شماره 1 - ( 3-1397 ) ::
جلد 6 شماره 1 صفحات 101-116 برگشت به فهرست نسخه ها
بهبود آشکارسازی تغییرات کاربری اراضی با استفاده از روش هسته مبنای نگارنده زاویه طیفی در تصاویر فراطیفی
مهدی حسنلو ، سید تیمور سیدی، عبدالرضا سیدی
دانشگاه تهران
چکیده:   (528 مشاهده)
تغییرات کاربری به‌عنوان عاملی پایه در تغییرات محیط‌زیست عمل کرده و به یک بحران تبدیل‌شده است. شناسایی و ارزیابی تغییرات الگوهای کاربری اراضی یک امر ضروری است، که اگر بههنگام و با دقت بالا انجام گیرد، میتواند به برنامهریزان و مدیران سازمان‌های مربوطه در اخذ تصمیمات آگاهانه‌تر در جهت استفاده بهینه از منابع و جلوگیری از وقوع بحران کمک نماید. این امر با آشکارسازی تغییرات میسر می‌گردد. تصاویر فراطیفی، به علت دارا بودن توان تفکیک طیفی بالا، نتایج بهبود یافته‌ای از آشکارسازی تغییرات و همچنین جزئیات بیشتری از فرآیند آشکارسازی تغییرات را فراهم می‌نمایند. یکی از چالشهای رایج روشهای متداول آشکارسازی تغییرات، تاثیرپذیری از شرایط محیطی و دستگاهی است. این امر موجب تشخیص نادرست یکسری از پیکسلها در فرایند آشکارسازی تغییرات میگردد. بدین منظور، در این پژوهش یک روش آشکارسازی تغییرات کاربری اراضی با استفاده از الگوریتم نگارنده زاویه طیفی، فنون هسته مبنا و الگوریتم بیشینهسازی امید در تصاویر فراطیفی پیشنهاد شده است. در ابتدا یکسری داده آموزشی به‌منظور بهینه نمودن پارامترهای هسته در طی یک فرآیند خودکار توسط الگوریتم نگارنده زاویه طیفی و الگوریتم بیشینهسازی امید ریاضی استخراج میگردد. در ادامه، داده از فضای تصویر به فضای هیلبرت توسط الگوریتم هسته پایه نگارنده زاویه طیفی انتقال می‌یابد. نهایتاً، نقشه تغییر با استفاده از الگوریتم بیشینهسازی امیدریاضی به‌دست میآید. از مهم‌ترین مزایای این روش: خودکار بودن، عدم نیاز به تنظیم پارامترهای دانش مبنا، نرخ کم هشدارهای اشتباه و دقت بالا و حجم پایین محاسبات میتوان اشاره نمود. برای بررسی توانایی روش پیشنهادی، تصاویر ابرطیفی دریافت شده از مزارع کشاورزی هرمیستن واقع در آمریکا توسط سنجنده هایپریون استفاده و مورد ارزیابی قرارگرفته است. نتایج به‌دست‌آمده نشاندهنده بهبود قابل‌توجه آشکارسازی تغییرات با به‌کارگیری روش پیشنهادی در مقایسه با مدل استاندارد نگارنده زوایه طیفی است، به‌طوری‌که دقت کلی بالای 94%، ضریب کاپا 84/0، نرخ هشدارهای اشتباه کلی کمتر از 6% و هزینه محاسباتی و زمانی نسبتاً پایین حکایت میکند.
واژه‌های کلیدی: تصاویر فراطیفی، آشکارسازی تغییرات، هسته مبنا، طبقه‌بندی بیشینه‌سازی امید، نگارنده زوایه طیفی
متن کامل [PDF 1205 kb]   (279 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: ۱۳۹۵/۹/۹ | پذیرش: ۱۳۹۶/۸/۲۱ | انتشار: ۱۳۹۷/۳/۳۱
فهرست منابع
1. [1] A. R. John and J. Xiuping, "Remote Sensing Digital Image Analysis," N. Y. Springer-Verl. Berl. Heidelb., p. 55, 2006.
2. [2] H. Grahn and P. Geladi, Techniques and applications of hyperspectral image analysis. John Wiley & Sons, 2007. [DOI:10.1002/9780470010884]
3. [3] D. Landgrebe, "Hyperspectral image data analysis," IEEE Signal Process. Mag., vol. 19, no. 1, pp. 17–28, 2002. [DOI:10.1109/79.974718]
4. [4] M. T. Eismann, "Hyperspectral remote sensing," 2012.
5. [5] R. B. Smith, "Introduction to hyperspectral imaging," Microimages Retrieved June, vol. 30, p. 2008, 2006.
6. [6] A. Singh, "Review article digital change detection techniques using remotely-sensed data," Int. J. Remote Sens., vol. 10, no. 6, pp. 989–1003, 1989. [DOI:10.1080/01431168908903939]
7. [7] P. R. Coppin and M. E. Bauer, "Digital change detection in forest ecosystems with remote sensing imagery," Remote Sens. Rev., vol. 13, no. 3–4, pp. 207–234, 1996. [DOI:10.1080/02757259609532305]
8. [8] M. Goswami and M. V. Khire, "Land Use and Land Cover Change Detection for Urban Sprawl Analysis of Ahmedabad City using Multitemporal Landsat Data," Int. J. Adv. Remote Sens. GIS, p. pp–1670, 2016.
9. [9] L. Ma et al., "Object-Based Change Detection in Urban Areas: The Effects of Segmentation Strategy, Scale, and Feature Space on Unsupervised Methods," Remote Sens., vol. 8, no. 9, p. 761, 2016. [DOI:10.3390/rs8090761]
10. [10] S. Touati, M. Naylor, and I. Main, "Detection of change points in underlying earthquake rates, with application to global mega-earthquakes," Geophys. J. Int., vol. 204, no. 2, pp. 753–767, 2016.
11. [11] X. Chen, L. Vierling, and D. Deering, "A simple and effective radiometric correction method to improve landscape change detection across sensors and across time," Remote Sens. Environ., vol. 98, no. 1, pp. 63–79, 2005. [DOI:10.1016/j.rse.2005.05.021]
12. [12] 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 J. Photogramm. Remote Sens., vol. 80, pp. 91–106, 2013. [DOI:10.1016/j.isprsjprs.2013.03.006]
13. [13] R. Garrard, T. Kohler, M. F. Price, A. C. Byers, A. R. Sherpa, and G. R. Maharjan, "Land Use and Land Cover Change in Sagarmatha National Park, a World Heritage Site in the Himalayas of Eastern Nepal," Mt. Res. Dev., vol. 36, no. 3, pp. 299–310, 2016. [DOI:10.1659/MRD-JOURNAL-D-15-00005.1]
14. [14] G. Gutman and V. Radeloff, Land-Cover and Land-Use Changes in Eastern Europe after the Collapse of the Soviet :union: in 1991. Springer, 2016.
15. [15] A. Popp et al., "Land-use futures in the shared socio-economic pathways," Glob. Environ. Change, 2016.
16. [16] K. Saez de Biku-a, M. Z. Hauschild, K. Pilegaard, and A. Ibrom, "Environmental performance of gasified willow from different lands including land-use changes," GCB Bioenergy, 2016.
17. [17] E. Ustaoglu, C. P. Castillo, C. Jacobs-Crisioni, and C. Lavalle, "Economic evaluation of agricultural land to assess land use changes," Land Use Policy, vol. 56, pp. 125–146, 2016. [DOI:10.1016/j.landusepol.2016.04.020]
18. [18] F. Bovolo, S. Marchesi, and L. Bruzzone, "A framework for automatic and unsupervised detection of multiple changes in multitemporal images," IEEE Trans. Geosci. Remote Sens., vol. 50, no. 6, pp. 2196–2212, 2012. [DOI:10.1109/TGRS.2011.2171493]
19. [19] C. Wu, L. Zhang, and B. Du, "Targeted change detection for stacked multi-temporal hyperspectral image," in Hyperspectral Image and Signal Processing (WHISPERS), 2012 4th Workshop on, 2012, pp. 1–4. [DOI:10.1109/WHISPERS.2012.6874282]
20. [20] C. Wu, B. Du, and L. Zhang, "A subspace-based change detection method for hyperspectral images," IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 6, no. 2, pp. 815–830, 2013. [DOI:10.1109/JSTARS.2013.2241396]
21. [21] Y. Yuan, H. Lv, and X. Lu, "Semi-supervised change detection method for multi-temporal hyperspectral images," Neurocomputing, vol. 148, pp. 363–375, 2015. [DOI:10.1016/j.neucom.2014.06.024]
22. [22] A. Ertürk and A. Plaza, "Informative change detection by unmixing for hyperspectral images," IEEE Geosci. Remote Sens. Lett., vol. 12, no. 6, pp. 1252–1256, 2015. [DOI:10.1109/LGRS.2015.2390973]
23. [23] S. Liu, L. Bruzzone, F. Bovolo, and P. Du, "Unsupervised multitemporal spectral unmixing for detecting multiple changes in hyperspectral images," IEEE Trans. Geosci. Remote Sens., vol. 54, no. 5, pp. 2733–2748, 2016. [DOI:10.1109/TGRS.2015.2505183]
24. [24] R. Shah-Hosseini, S. Homayouni, and A. Safari, "A hybrid kernel-based change detection method for remotely sensed data in a similarity space," Remote Sens., vol. 7, no. 10, pp. 12829–12858, 2015. [DOI:10.3390/rs71012829]
25. [25] G. Camps-Valls, "A Note on the Kernel Spectral Angle Mapper," Electron. Lett., 2016. [DOI:10.1049/el.2016.0661]
26. [26] X. Liu and C. Yang, "A kernel spectral angle mapper algorithm for remote sensing image classification," in Image and Signal Processing (CISP), 2013 6th International Congress on, 2013, vol. 2, pp. 814–818. [DOI:10.1109/CISP.2013.6745277]
27. [27] A. Chen, H. Zhao, and Z. Pei, "Is Time Series Smoothing Function Necessary for Crop Mapping?—Evidence from Spectral Angle Mapper After Empirical Analysis," in Computer and Computing Technologies in Agriculture IX: 9th IFIP WG 5.14 International Conference, CCTA 2015, Beijing, China, September 27-30, 2015, Revised Selected Papers, Part I, 2016, pp. 335–347.
28. [28] E. Hasan, T. Fagin, Z. El Alfy, and Y. Hong, "Spectral Angle Mapper and aeromagnetic data integration for gold-associated alteration zone mapping: a case study for the Central Eastern Desert Egypt," Int. J. Remote Sens., vol. 37, no. 8, pp. 1762–1776, 2016. [DOI:10.1080/01431161.2016.1165887]
29. [29] H. Zhuang, K. Deng, H. Fan, and M. Yu, "Strategies Combining Spectral Angle Mapper and Change Vector Analysis to Unsupervised Change Detection in Multispectral Images," IEEE Geosci. Remote Sens. Lett., vol. 13, no. 5, pp. 681–685, 2016. [DOI:10.1109/LGRS.2016.2536058]
30. [30] G. Camps-Valls, L. Bruzzone, and others, Kernel methods for remote sensing data analysis, vol. 2. Wiley Online Library, 2009. [DOI:10.1002/9780470748992]
31. [31] M. Fauvel, J. Chanussot, and J. A. Benediktsson, "Evaluation of kernels for multiclass classification of hyperspectral remote sensing data," in 2006 IEEE International Conference on Acoustics Speech and Signal Processing Proceedings, 2006, vol. 2, pp. II–II. [DOI:10.1109/ICASSP.2006.1660467]
32. [32] M. Fauvel, J. Chanussot, and J. A. Benediktsson, "A spatial–spectral kernel-based approach for the classification of remote-sensing images," Pattern Recognit., vol. 45, no. 1, pp. 381–392, 2012. [DOI:10.1016/j.patcog.2011.03.035]
33. [33] M. A. Mahjoub and others, "Image segmentation by adaptive distance based on EM algorithm," ArXiv Prepr. ArXiv12041629, 2012.
34. [34] B. Datt, T. R. McVicar, T. G. Van Niel, D. L. Jupp, and J. S. Pearlman, "Preprocessing EO-1 Hyperion hyperspectral data to support the application of agricultural indexes," IEEE Trans. Geosci. Remote Sens., vol. 41, no. 6, pp. 1246–1259, 2003. [DOI:10.1109/TGRS.2003.813206]
35. [35] D. Scheffler and P. Karrasch, "Preprocessing of hyperspectral images: A comparative study of destriping algorithms for EO1-Hyperion," in SPIE Remote Sensing, 2013, p. 88920H–88920H. [DOI:10.1117/12.2028733]
36. [36] H. Li, D. Zhang, Y. Zhang, and Y. Xu, "Research of image preprocessing methods for EO-1 Hyperion hyperspectral data in tidal flat area," Geoinformatics, p. 71471G–71471G, 2008. [DOI:10.1117/12.813253]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Hasanlou M, Seydi S T, Seydi A. Improving Land Cover Change Detection using Kernel Spectral Angle Mapper Approach in Hyperspectral Images. jgit. 2018; 6 (1) :101-116
URL: http://jgit.kntu.ac.ir/article-1-565-fa.html

حسنلو مهدی، سیدی سید تیمور، سیدی عبدالرضا. بهبود آشکارسازی تغییرات کاربری اراضی با استفاده از روش هسته مبنای نگارنده زاویه طیفی در تصاویر فراطیفی. مهندسی فناوری اطلاعات مکانی. 1397; 6 (1) :101-116

URL: http://jgit.kntu.ac.ir/article-1-565-fa.html



دوره 6، شماره 1 - ( 3-1397 ) 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 0.06 seconds with 29 queries by YEKTAWEB 3792