Journal of Geospatial Information Technology

fa بهبود آشکارسازی تغییرات کاربری اراضی با استفاده از روش هسته مبنای نگارنده زاویه طیفی در تصاویر فراطیفی Improving Land Cover Change Detection using Kernel Spectral Angle Mapper Approach in Hyperspectral Images سنجش از دور RS پژوهشي Research 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. Increasing the population and urban development is one of the most important human actions that cause changes on the face of the earth, especially in the developing countries, which is more. This process can cause devastating effects such as social, economic and biophysical. The harmful effects include; loss of agriculture lands, pasture and forest, change the pattern of the water, which somehow is associated with the changing patterns of land use and land cover. Land use and land cover changes as a basic factor in the changes of the Environment Act and converted into crisis. Identifying and evaluating the potential land-use patterns is essential, that if done on timely and with the high precision, it can help the planners and managers of relevant organizations for more conscious decision and making optimum use of resources in order to prevent the crisis. That would only be possible with the change detection. The hyperspectral images, due to having high spectral resolution, improved results of changes detection, provide more details of the changes. The main purpose of this research is to improve the process of land-use changes detection using spectral angle mapper algorithm, expectation maximization based on kernel based with hyperspectral imagery. The most important advantage of this method are as follow: unsupervised, no need to setting parameters of the knowledge basis, high precision and low false alarms rate. To evaluate the ability of the proposed method, hyperspectral imagery received from agricultural fields of Hermiston in the United States that captured by Hyperion sensors were used. The results are a significant improvement with the use of the proposed method for change detection in the standard spectral angle-mapping model compared to the top so that the overall accuracy is 94%, the coefficient Kappa 0.84 and false alarm rates of less than 6%. تصاویر فراطیفی, آشکارسازی تغییرات, هسته مبنا, طبقه‌بندی بیشینه‌سازی امید, نگارنده زوایه طیفی Change Detection, Spectral Angle Mapper, Kernel Based, Hyperspectral Images, Expectation-Maximization Segmentation, Land Cover. Logistic Regression 101 116 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-136-4&slc_lang=fa&sid=1 Mahdi Hasanlou مهدی حسنلو hasanlou@ut.ac.ir 10031947532846005510 10031947532846005510 Yes University of Tehran دانشگاه تهران Seyed Teimoor Seydi سید تیمور سیدی 10031947532846005511 10031947532846005511 No University of Tehran دانشگاه تهران Abdoreza Seydi عبدالرضا سیدی 10031947532846005512 10031947532846005512 No University of Payam Noor Gorgan دانشگاه پیام نور گرگان