حجت اله محبوبی؛ محسن آزادبخت
چکیده
سابقه وهدف: در بسیاری از تحقیق ها برای پایش تغییرات سطح آب ابتدا تصاویر چندزمانه به طور مجزا تحلیل می شوند و پس از استخراج محدوده آب، این محدوده ها با یکدیگر مقایسه شده و میزان تغییرات مشخص می گردد. با وجود این، به روشهایی نیاز است که افزون بر دقت زیاد، شناسایی تغییرات را نیز تسهیل کنند. بنابراین، برای نیل به این هدف، ...
بیشتر
سابقه وهدف: در بسیاری از تحقیق ها برای پایش تغییرات سطح آب ابتدا تصاویر چندزمانه به طور مجزا تحلیل می شوند و پس از استخراج محدوده آب، این محدوده ها با یکدیگر مقایسه شده و میزان تغییرات مشخص می گردد. با وجود این، به روشهایی نیاز است که افزون بر دقت زیاد، شناسایی تغییرات را نیز تسهیل کنند. بنابراین، برای نیل به این هدف، در این تحقیق از روشه ای ادغام تصاویر چند زمانه و طبقه بندی جهت استخراج تغییرات دریاچه مهارلو بین سال های 2013 تا 2018 استفاده می شود. مواد و روش ها: پس از انجام پیش پردازش های لازم، از دو روش گرام – اشمیت و تبدیل مولفه های اصلی برای ادغام تصاویر استفاده شد و با اعمال روش های طبقهبندی بر روی تصاویر ادغام شده، مناطق تغییریافته و بدون تغییر استخراج شدند. از روش های ماشین بردار پشتیبان (SVM)2 و حداکثر احتمال (ML)3 برای طبقه بندی تصاویر ادغام شده استفاده گردید. در مرحله بعد، ترکیب این روش ها با یکدیگر مقایسه شده و بهترین ترکیب دوتایی استخراج گردیده است. در نهایت، روش انتخاب شده در این تحقیق با روش های مرسوم پایش تغییرات مقایسه شد. نتایج و بحث: پس از مقایسه نتایج مشخص شد که دریاچه مهارلو از سال 2013 تا 2018 بر اساس روش گرام اشمیت - ماشین بردار پشتیبان حدود 163.3 کیلومتر عقب نشینی داشته است. بمنظور ارزیابی صحت نتایج، از صحت کلی و سنجه کاپا استفاده شد. با توجه به نتایج به دست آمده، روش گرام اشمیت - ماشین بردار پشتیبان دارای صحت کلی 99.33 درصد بوده و ضریب کاپای 0.99 را داراست و دارای کمترین خطای نسبی یعنی 3.92 کیلومترمربع می باشد و نسبت به روش های دیگر تغییرات را بهتر نشان می دهد و نتایج آن به واقعیت زمینی نزدیکتر است. در مرحله بعد، سطوح آب با استفاده از روش های مرسوم آشکارسازی تغییرات مانند روش تفاضل تصاویر، نسبت گیری باندی و تفاضل سنجه پوشش گیاهی از تصاویر استخراج شد و با نتایج حاصل از روش گرام اشمیت - ماشین بردار پشتیبان مورد مقایسه قرار گرفت. با توجه به نتایج گرفته شده، روش گرام اشمیت - ماشین بردار پشتیبان نسبت به روش های دیگر دارای صحت کلی و ضریب کاپای بالاتر و در عین حال کمترین خطای نسبی می باشد. نتیجه گیری: نتایج این تحقیق نشان می دهد که روش گرام- اشمیت برای ادغام تصاویر و ماشین بردار پشتیبان برای طبقه بندی، نتایج مطلوبی در استخراج تغییرات در تصویر داشته است. این روش می تواند به عنوان ابزاری موثر در پایش تغییرات مورد استفاده قرار گیرد، بویژه اینکه، ادغام تصاویر به دلیل بالا بردن قدرت تفکیک تصاویر می تواند در بالا بردن دقت طبقه بندی نیز موثر باشد.