دانلود پایان نامه

و در نحوه کاربرد آنالیز آشکارسازی تغييرات با استفاده از داده‌هاي چند منبعی مؤثر هستند. (Lu, 2009)
تفسير بصري
مقوله تفسير بصري شامل تفسير بصري ترکيب تصاوير چندزمانه و رقومي‌سازي بر روي صفحه نمايش نواحي تغییریافته مي‌شود. اين روش مي‌تواند کاربرد کاملي از تجارب و دانش مفسر را سبب شود. (Lu, 2009) در اين نوع پردازش ما به مجموعه‌اي از اصطلاحات در تصوير نيازمنديم تا در زمان تفسير مورداستفاده قرار گيرند. به اين اصطلاحات عناصر تفسير گويند و عبارت‌اند از: رنگ، بافت، الگو، اندازه، شکل، ارتفاع، مکان و موقعيت. اين عناصر براي تشخيص تغييرات زمين از طريق تفسير بصري هستند و اکثراً در تحليل تشخيص تغييرات رقومي اغلب به علت دشواري در استخراج اين عناصر استفاده نمي‌گردند (Templfi, 2009). بنابراين در تفسير بصري يک تحليل‌گر باتجربه و ماهر مي‌تواند تمام اجزا را در تصميم‌گيري کمکي در مورد تغييرات LULC به کار برد. يکي از معايب اين روش وقت‌گير بودن آن براي استفاده در تشخيص تغييرات محدوده‌هاي وسيع مي‌باشد و براي به هنگام‌رساني تغييرات نيز دشوار است. (Lu, 2009)
مدل‌هاي پيشرفته
مدل مبتني بر روش‌های پيشرفته مقوله آشکارسازی تغييرات شامل مدل‌هاي بازتاب لي-استرالر11، مدل‌هاي آميزه‌اي طيفي12 و مدل‌هاي پارامتر بيوفيزيکي13 مي‌شوند. در اين روش‌ها مقادير بازتاب تصاوير به پارامترهاي فيزيکي يا به فراکسيون از طريق مدل‌هاي خطي و يا غیرخطی تبديل مي‌شوند. از نقاط ضعف اين روش دستگير بودن و پرسه دشوار توسعه مناسب براي تبديل مقادير بازتاب تصاوير به پارامترهاي بيوفيزيکي است. (Tejaswi, 2007)
در اين مقوله مدل آميزه‌اي طيفي (LSMA) اغلب بيشترين کاربرد را در استخراج تغييرات پوشش زمين، تغييرات پوشش گياهي، تغييرات برگ‌ريزي، تغييرات محدوده‌ي شهري و نيز تغييرات محيطي دارد. اين الگوريتم بر اين اساس استوار است که مقدار بازتابي يک پيکسل را می‌توان از مقادير منحصربه‌فرد عناصر ترکيبي وزن‌يافته با استفاده از درجات مربوطه آن‌ها محاسبه نمود. (براي مثال مقادير endmembers):

DNc =∑_(i=1)^n▒F_i 〖DN〗_(i,c)+E_c
به‌طوری‌که : ∑_(i=1)^n▒F_i =1 و 0 ≤ Fi ≤ 1
جاييکه DNc مقدار عددي پيکسل در باند c، Fi مقدار فراکسيون در end member و DNi,c مقدار عددي end member در باند c و n مقدار end member و Ec خطا در تخمين براي باند c مي‌باشد. (Kresse, p 180)

شيوه‌هاي ديگر آشکارسازی تغييرات
علاوه بر روش‌های مذکور در فوق، روش‌های ديگري نيز به‌عنوان راه‌هاي آشکارسازی تغييرات نيز برشمرده‌ شده‌اند که تقریباً به‌صورت کاربردي به‌طور متناوب مورداستفاده قرار نگرفته‌اند. اين روش‌ها در هيچ‌کدام از شش گروه فوق قرار نگرفته‌اند.
معيارهاي طبقه‌بندي
بر اساس استاندارهاي سازمان نقشه‌برداري ایالات‌متحده آمريکا14، معيارهاي طبقه‌بندي بر اساس تصاوير ماهواره‌اي بايستي در نظرگرفته شود(Gomarasca, 2009)15:
دقت طبقه‌بندي نبايد کمتر از 85% باشد.
دقت طبقه‌بندي بايستي براي تمام کلاس‌ها به‌صورت يکنواخت باشد.
بايد امکان تکرار روش با استفاده از اپراتور ديگر و در زمان ديگر وجود داشته باشد.
روش مورداستفاده در گستره‌ي بزرگ‌تری قابل پياده‌سازي باشد.
روش طبقه‌بندي بايد با طبقه‌بندي تصاوير چندزمانه سازگار باشد.
کلاس‌های پوشش زمين براي تشخيص تفسير تصوير و بررسي زمين تعريف گردد
قابليت انعطاف‌پذيري تجميع کلاس‌ها
حتي قابليت مقايسه طبقه‌بندي تصاوير چندزمانه با کاربري‌هاي مختلف زمين در دوره‌هاي متفاوت وجود داشته باشد.
سنجش‌ازدور و کاربرد آن در سيستم کشاورزي
استفاده از سنجش‌ازدور و سيستم اطلاعات جغرافيايي سابقه‌اي طولاني در زمينه کشاورزي دارد و از دهه 1950 با استفاده از عکس‌هاي هوايي در مناطق مختلف جهان، براي بررسي خاک و برداشت محصولات زمين‌هاي کشاورزي استفاده مي‌نمودند. (Nellis, 2009)
فعاليت‌هاي کشاورزي نه‌تنها جزو فعاليت‌هاي جامعه‌ي بشري است، بلکه فرضيه اثبات‌شده براي پيشرفت اين جامعه مي‌باشد و روزبه‌روز نياز به اين صنعت در حال افزايش است. گذشته ازين رابطه تنگاتنگي با توسعه و تثبيت جوامع امروزه دارد. (Ji-hua, 2008)
ازآنجایی‌که مناطق کشاورزي در دوره‌هاي کوتاه‌مدت زماني در حال تغيير و تحول هستند، بنابراين استفاده از علم سنجش‌ازدور کمک شاياني در بهبود فرآيند عمر کشاورزي و مراحل برداشت محصولات خواهد داشت. امروزه از تصاوير سنجش‌ازدوري در مانيتورينگ گياهان و بارزسازي تغييرات حاصله در پوشش گياهي با موفقيت و دقت کافي استفاده نمود. (Markogianni, 2013)
از جمله کاربردهاي عمده سنجش از دور مي‌توان به موارد زير اشاره نمود:
شناسايي آفات مختلف گياهي
     پشتیبانی مدیریت تولید برای نظارت عملکرد محصول
     شناسایی و نظارت بر محصولات غیرقانونی
     مانتيورينگ محصولات
     مديريت جنگل‌ها
پيشينه تحقيق
در زمينه آشکارسازی تغييرات، مطالعات بسياري صورت گرفته که ذیلاً به چند مورداشاره مي‌گردد.
منابع فارسي
محمدحسین رضایی مقدم و همکاران در مطالعه خود با عنوان “طبقه‌بندی پوشش اراضي / کاربري اراضي بر اساس تکنيک شيءگرا و تصاوير ماهواره‌ای، مطالعه موردي: استان آذربايجان غربي” نقشه کاربری اراضی استان آذربایجان غربی بر اساس پردازش رقومی با روش شیءگرای تصاویر ماهوارهای سنجنده HDR ماهواره SPOT
5 تهیه کردند. پس‌ازآنجام عملیات پیشپردازش، پردازش شیءگرای تصاویر با طبقات مشخص‌شده انجام شد و درنتیجه روش شیءگرا ضمن تشخیص تعداد طبقات بیشتر، دقت نقشه تولیدشده نیز در مقایسه با روش پیکسل پایه از دقت بالایی برخوردار است (رضاییمقدم، 1389).
الهه اکبری و همکاران در مطالعه خود با عنوان “ارزیابی دقت طبقه‌بندی کننده‌های بیشترین شباهت و ماشین بردار پشتیبان، مطالعه موردی: استخراج تغییرات کاربری اراضی حوضه آبخیز طالقان” با استفاده از دو روش طبقهبندی بیشترین شباهت و SVM، کاربری اراضی حوضه آبخیز طالقان را با دو تصویر TM(1987) و ETM(2000) استخراج و تغییرات کاربریها در طول دوره 13 ساله، بر مبنای اطلاعات حاصل از روش طبقهبندی با دقت بهتر، مورد ارزیابی قرارداده است. پس‌ازآنجام عملیات پیشپردازش، برای ارزیابی دقت دو روش مذکور از پارامتر کاپا و دقت کلی استفاده گردیده و روش SVM در تصویر ETM نتایج بهتری را نسبت به روش بیشترین شباهت تولید نموده است. همچنین با بررسی تغییرات کاربری منطقه حاصل از روش SVM، بخش قابل‌توجهی از مراتع به بایر و دیم تبدیل شده است که به دلیل چرای بیش‌ازحد منطقه میباشد (اکبری، 1390).
فيضي‌زاده و همكاران(1386) با پردازش تصاوير ماهوارهاي سنجنده ETM+ ماهواره لندست 7 نقشه كاربري اراضي شهرستان ملكان را با دقت 92% تهيه كردند. اين محققين نتيجه ميگيرند كه تصاوير سنجش‌ازدور كارايي بالاي را در مطالعات وضعيت كاربري برخوردارند (فيضي‌زاده، 1386).
فيضي‌زاده و ياراحمدي(1387) با پردازش تصاوير چند زمانه سنجش‌ازدور نسبت به آشكارسازي تغييرات كاربري اراضي بالادست سد علويان اقدام نمودند. آن‌ها در اين تحقيق با استخراج نقشه كاربري اراضي براي هر دوره تغييرات انجام‌شده در هريك از كاربريها را مشخص ساختند. (فيضي‌زاده، 1387)
مهدوي و همکاران (1393) با استفاده از تصاویر Landsat TM سال 1988 و Landsat ETM+ سال 2007 با استفاده از هفت تکنیک آشکارسازی تغییر منطقه جنگلی حفاظت شده مانشت استان ایلام باقدام به آشکارسازي تغييرات نمودند. تکنیک‌های آشکارسازی تغییرات مورد استفاده در این مطالعه شامل تفاضل تصویر، آنالیز برداری، تفاضل شاخص پوشش گياهي، تجزیه مؤلفه‌های اصلی، تجزیه مؤلفه‌های متعارف، تفاضل Tasseled Cap و تفاضل نقشه بوده‌اند. بر اساس نتایج به‌دست آمده مشخص گردید روش تفاضل باند مادون قرمز با دقت کل 5/99 و ضریب کاپای 2/98 درصد از بین تکنیک‌های آشکارسازی تغییر مورد استفاده در این مطالعه بیشترین دقت و روش CCA2 با دقت کل9/71 و ضریب کاپای 2/65 درصد کمترین دقت را در آشکارسازی تغییرات کاربری اراضی/پوشش گیاهی منطقه مورد مطالعه داشته‌اند (مهدوي، 1393)

منابع خارجي
کوستوگولاري و همکاران (2015) الگوريتم جديدي را براي آشکارسازی تغييرات با استفاده از طبقه‌بندي نظارت‌نشده در تصاوير چندطيفي با استفاده از بهينه‌سازي گروهي ذرات باينري (PBPSO)پيشنهاد داده‌اند. الگوريتم بر روي تصوير تفاضلي، که با الگوريتم جديد آميزش تصاوير چندطيفي-چندزماني به‌دست‌آمده است، با کاهش مکرر ارزش آميزش، با PBPSO براي توليد تغييرات باينري نهايي به‌صورت نمايش پيکسل‌هاي تغییریافته و بدون تغيير بکار گرفته مي‌شود. اين الگوريتم تمام مزيت‌هاي پردازش موازي را براي بهبود نرخ همگرائي و ارزيابي آشکارسازی را دارا مي‌باشد. ايشان در اين تحقيق دقت روش پيشنهادي در آزمايش‌هاي به‌صورت کمي و کيفي را در مجموعه داده‌هاي واقعي و نيمه‌ترکيبي اثبات نموده‌اند. روش پيشنهادي بر روي داده‌هاي نيمه‌ترکيبي با سطح بالاي نويزهاي گوسين، الگوي آشکارسازی تغييرات نهايي با نرخ خطاي کذب16 5/1 و براي نرخ خطاي MA17، 51/14 به دست مي‌دهد. (Azzouzi, 2015)
ا. بک18 و همکاران (2015) آخرين تغييرات پوشش زمين در شمال کبک کانادا، به سبب تغييرات ناپيوسته پرمافراست که به‌شدت جنگل‌هاي توندرا را تحت تأثیر قرارداده است، موردمطالعه قرار داده‌اند. ايشان با استفاده از تصاوير با قدرت تفکيک بالا، QuickBird براي سال 2004 و Geoeye براي سال 2009 و همچنين چهار دوره‌ي زماني تصاوير Landsat، 1989، 1990، 2001 و 2008 و نيز داده‌هاي جمع‌آوری‌شده زميني، پوشش گیاهی، ضخامت لایه فعال، پارامترهای برف براي سال‌هاي2009 تا 2011 به برآورد اين تغييرات پرداختند. طبقه‌بندي تصاوير در دو قسمت صورت گرفت. ابتدا با الگوريتم Self-organising Data Analysis به‌صورت نظارت‌نشده طبقه‌بندی‌شده سپس به‌صورت بيشترين شباهت ادامه يافت. همچنين براي ارزيابي پوشش گياهي از شاخص گياهي NDVI نيز استفاده گرديده که در برآورد تغييرات به کار گرفته شد. دقت حاصله براي تصاوير Landsat براي سال‌های 1989 و 2008 به ترتيب 95% و 98% و براي QuickBird و Geoeye به ترتيب 90% و 92% حاصل شد. (De Bie, 2008)
آ.زودي و همکاران (2015) براي آشکارسازی تغييرات در بليداي الجزاير، از تصاوير ETM و TM استفاده نمودند که تحليل برداري تغييرات را به‌صورت نظارت‌شده در فضاي احتمال مؤخر (SCVAPS) به‌صورت اصلاح‌شده برده‌اند. براي روش نظارت‌شده، از الگوريتم بيشترين شباهت و براي تعيين حد آستانه از روش پيشرفته Double Flexible Pace Search (DFPS) استفاده نمودند. همچنين براي آشکارسازی تغييرات در پکن (چين) از جفت عکس‌هاي TM و ETM استفاده گرديد. دقت حاصله با روش اصلاحي، براي منطقه پکن برابر با %50/91 با ضريب کاپاي 827/. و براي منطقه بليداي الجزاير به ترتيب %96/93 و 826/0 مي‌باشد. (Azzouzi, 2015)
فومپيلا و همکاران (2015) براي آشکارسازی و نمايش تغييرات در پوشش گياهي جنگل‌های حاره‌اي در سطح گسترده، از روش DOI با ت
لفيق روش‌های LST و شاخص‌هاي EVI استفاده نموده‌اند. بدين منظور آن‌ها از داده‌هاي LST و EVI تصاوير Modis و براي ارزيابي DOI حاصله از تصاوير HighResolution گوگل‌ارث براي سال‌هاي2006 تا 2012 استفاده نموده‌اند. دقت اين روش 82% و ضريب کاپا % 52/0 و دقت توليد کننده و کاربر با تفاوت اندکي حاصل گرديد که از ساير روش‌های مورداستفاده در تغييرات پوشش گياهي مقدار بيشتري را به خود اختصاص داده است. DI براي نواحي که داراي پوشش گياهي زيادي بودند دقت بالا و براي نواحي با کاهش پوشش گياهي دقت کمتري را برخوردار مي‌باشد. (Phompila, 2015)
ديويد و همکاران (2015) براي آشکارسازی تغييرات قبل و بعد از سيلاب، از انوع تصاوير مونوکراماتيک و يا رنگي اصتفاده نمدن و با تبديل آن‌ها به تصاوير خاکستري با روش‌های طبقه‌بندي فازي اقدام به آشکارسازی نمودند. براي بهبود نتايج حاصل از فازي و کاهش

دسته بندی : پایان نامه ها

دیدگاهتان را بنویسید