fa آشکارسازی تغییرات زیر پیکسلی کاربری اراضی در تصاویر ابرطیفی مبتنی بر جداسازی طیفی و پس‌پردازش سنجش از دور RS پژوهشي Research <span style="font-family:b nazanin;">امروزه سنجش‌ازدور با دارا بودن توان تفکیک مکانی و طیفی بالا، پوشش گسترده و با کمترین هزینه برای دریافت داده از زمین، نقش</span>&nbsp;<span style="font-family:b nazanin;">کلیدی را در حوزه پژوهش‌های علوم زمین و پایش محیط‌زیست ازجمله آشکارسازی تغییرات داشته است. به‌طورکلی تشخیص به</span>‌<span style="font-family:b nazanin;">موقع 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</span>&nbsp;<span style="font-family:b nazanin;">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 می</span>‌<span style="font-family:b nazanin;">باشد. به‌منظور ارزیابی کارایی و دقت روش پیشنهادی، از دو مجموعه داده‌ی چند زمانه‌ی فراطیفی به‌کارگرفته</span>&nbsp;<span style="font-family:b nazanin;">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 شبیه</span>‌<span style="font-family:b nazanin;">سازی 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</span>&not;<span style="font-family:b nazanin;">سازی شده، 80_/99 درصد ضریب کاپا، 82_/0 و میزان نرخ هشدارهای اشتباه آن، 19_/0 درصد است.</span> &nbsp;<br> The earth is continually being influenced by some actions such as flood, tornado and human artificial activities. This process causes the changes in land cover type. Thus, for optimal management of the use of resources, it is necessary to be aware of these changes. Today&rsquo;s remote sensing plays key role in geology and environmental monitoring by its high resolution, wide covering and low cost of data receiving from the earth and it has many applications such as change detection. To manage the resources optimally, in local and gloal scale, accuracy and being on-time are very substantial. Hyperspectral images, with thier high ability of spectral resolution,&nbsp; can improve change detection in result and extract more detail of changes. In this research a new method of change detection for hyperspectral imagery using the Image-Differencing, Otsu and spectral unmixing algorithms is presented . The proposed method is presented in three steps: (1) Data correction using image differencing method and data conversion to new computing space. At this space, the changed areas would be more outstanding compare to previous space. (2) the decision about the nature of endmembers is made using Otsu algorithm. (3) spatial resolution enhancement based on abundance map. The proposed method can automatically extract binary change map. In addition, this method provides information about the nature of change in sub-pixel level. To examine the performance of the proposed method, the hyperspectral imagery (by Hyperion sensors) from Chiangsu fields in china and a simulated data from the AVIRIS sensor were used. The results show the high accuracy of the proposed method in comparison with other methods. Its overall accuracy is more than 93% and its kappa coefficiency is 0.85 and mean false alarm rates is under 7% for China dataset. And also, the results for second dataset are as follow: the overall accuracy is more than 99% and kappa coefficiency is 0.82 and mean false alarm rates is under 1%. آشکارسازی تغییرات, تصاویر فراطیفی, جداسازی طیفی, الگوریتم اتسو, زیر پیکسل Unsupervised Change Detection, Spectral Unmixing, Hyperspectral Images, Otsu Algorithm, Sub-pixel. 97 117 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-136-6&slc_lang=fa&sid=1 Mahdi Hasanlou مهدی حسنلو hasanlou@ut.ac.ir 10031947532846005908 10031947532846005908 No University of Tehran دانشگاه تهران Seyed Teimoor Seydi سید تیمور سیدی 10031947532846005909 10031947532846005909 Yes University of Tehran دانشگاه تهران