AU - Hasanlou, Mahdi AU - Seydi, Seyed Teimoor TI - Land Cover Subpixel Change Detection using Hyperspectral Images Based on Spectral Unmixing and Post-processing PT - JOURNAL ARTICLE TA - kntu-jgit JN - kntu-jgit VO - 6 VI - 4 IP - 4 4099 - http://jgit.kntu.ac.ir/article-1-646-fa.html 4100 - http://jgit.kntu.ac.ir/article-1-646-fa.pdf SO - kntu-jgit 4 AB  - امروزه سنجش‌ازدور با دارا بودن توان تفکیک مکانی و طیفی بالا، پوشش گسترده و با کمترین هزینه برای دریافت داده از زمین، نقش کلیدی را در حوزه پژوهش‌های علوم زمین و پایش محیط‌زیست ازجمله آشکارسازی تغییرات داشته است. به‌طورکلی تشخیص به‌موقع و دقیق تغییرات در مقیاس محلی و جهانی، در مدیریت بهینه‌ی استفاده از منابع، از اهمیت بالایی برخوردار است. تصاویر فراطیفی، به‌علت دارا بودن توان تفکیک طیفی بالا، نتایج بهبود یافته‌ای از آشکاری‌سازی تغییرات و همچنین جزئیات بیشتری از فرآیند آشکارسازی تغییرات را فراهم می‌نمایند. استفاده از روش‌های مبتنی بر جداسازی طیفی روی تصاویر فراطیفی، توانمندی بسیار بالایی برای دست یافتن به اطلاعات مهم زیرپیسکل دارد. در این پژوهش یک روش آشکارسازی تغییرات با استفاده از الگوریتم‌های تفاضل‌گیری، اتسو و جداسازی طیفی ارائه گردیده است. یکی از مهمترین قابلیت‌های روش پیشنهادی، بهبود توان تفکیک مکانی نقشه تغییرات است. همچنین علاوه بر تهیه نقشه تغییرات به‌صورت دودویی و خودکار، قادر به استخراج اطلاعات درباره ماهیت کلاس‌های تغییر نیز و دستیابی به تغییرات در زیرپیکسل می‌باشد. به‌منظور ارزیابی کارایی و دقت روش پیشنهادی، از دو مجموعه داده‌ی چند زمانه‌ی فراطیفی به‌کارگرفته شد. داده اول از سنجنده‌ی هایپریون، مربوط به مزارع کشاورزی اطراف شهر جیانگسو واقع در چین است. به‌منظور کاهش خطای تهیه نقشه واقعیت زمینی و افزایش اعتمادپذیری؛ یک داده شبیه‌سازی شده از سنجنده هوابرد اوریس؛ تهیه گردید. ارزیابی خروجی‌های به‌دست‌آمده نشان‌دهنده، دقت کلی بالا و نرخ کم هشدارهای روش پیشنهادی، در مقایسه با روش‌های رایج آشکارسازیِ تغییرات، است، به‌طوری‌که دقت کلی برای داده چین، با دقت کلی بالای 91%، ضریب کاپا 85/0، نرخ هشدارهای اشتباه کلی کمتر از 7% و هزینه محاسباتی و نسبتا پایین نسبت به روش‌های متداول حکایت می‌کند. علاوه نتایج به‌دست برای داده شبیه¬سازی شده، 80/99 درصد ضریب کاپا، 82/0 و میزان نرخ هشدارهای اشتباه آن، 19/0 درصد است. CP - IRAN IN - LG - eng PB - kntu-jgit PG - 97 PT - Research YR - 2019