Journal of Geospatial Information Technology

fa پایش تغییرات ازتصاویر ماهواره‌ای چندزمانه با بکارگیری الگوریتم شناسایی تغییرات چند متغیره با وزن‌دهی تکراری(IR-MAD) و طبقه‌بندی ماشین بردار پشتیبان (SVM) Changes Monitoring in multitemporal satellite images using Iteratively Reweighted multivariate alteration detection (IR-MAD) algorithm and support vector machine (SVM) classification فتوگرامتری Aerial Photogrammetry پژوهشي Research 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. Monitoring Land use changes is one of the important applications of remote sensing and geographic information system. In this study, a framework for change monitoring in multitemporal satellite images is presented by Iteratively Reweighted multivariate alteration detection (IR-MAD) algorithm and support vector machine (SVM) classification. In this study, the change detection analysis has been done using multitemporal Landsat satellite images with 18 years time interval of Shahi Island and a part of the western region of Lake Urmia. The proposed method has two main steps in change monitoring. In the first step, components of change intensities are determined automatically by IR-MAD transformation. In the following, optimized components are selected by applying the kernel principal component analysis (KPCA) on components of change intensities. In the next step, for generating the content of change map, The combination of optimal components is classified by SVM method. For the evaluation performance of the proposed method, in change monitoring, this method was compared with conventional methods such as analysis of the spectral–temporal combination and post classification comparison. The experimental results show that the overall accuracy of the proposed method increased 4.89% and 4.39% compared to that of the spectral-temporal Combination and post classification comparison, respectively. پایش تغییرات, تصاویر ماهواره‌ای چندزمانه, الگوریتم شناسایی تغییرات چند متغیره با وزن‌دهی تکراری (IR-MAD), طبقه‌بندی ماشین‌بردار پشتیبان(SVM) Change monitoring, multitemporal satellite images, reweighted multivariate repeated (IR-MAD) change detection algorithm, support vector machine (SVM) classification 23 41 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-377-5&slc_lang=fa&sid=1 Armin Moghimi آرمین مقیمی moghimi.armin@gmail.com 10031947532846005538 10031947532846005538 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Hamid Ebadi حمید عبادی 10031947532846005539 10031947532846005539 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Vahid Sadeghi وحید صادقی 10031947532846005540 10031947532846005540 No Tabriz University دانشگاه تبریز