Journal of Geomatics Science and Technology

fa ارائه ی روشی جهت شناسایی تغییرات شهری با استفاده از شاخص های تغییرات طیفی - مکانی و داده های سنجش از دوری Presentation of a Method for Detecting Urban Growth using Spectral- Spatial Variation Indicators and Remote Sensing Data فتوگرامتری و سنجش از دور Photo&RS ترویجی Tarviji رشد شهری و پایش آن یکی از مهمترین موارد مدنظر شهرها و شهرداریها است. سنجش از دور و فناوریهای مرتبط با آن یکی از ابزارهای نوین است که اخیرا به منظور پایش رشد شهری استفاده شده است. هدف از این مطالعه شناسایی تغییرات شهر شیراز در بازهی زمانی سالهای1990، 2000 و 2011 با استفاده از تصاویر لندست 5 از طریق روش مقایسه پس از طبقهبندی با در نظر گرفتن شاخصهای تغییرات طیفی- مکانی میباشد. در روش پیشنهادی ابتدا تصاویر چندزمانه سنجش از دور پیشپردازش شدند و سپس شاخصهای تغییرات طیفی- مکانی با تجزیهی موجک سه بعدی محاسبه استخراج شدند. در مرحله بعد، شاخصهای استخراج شده و ویژگیهای طیفی وارد روش خوشهبندی Fuzzy- C Means  شدند تا چهار کلاس منطقه مورد مطالعه یعنی شهری، زمین بایر، راه و پوشش گیاهی استخراج گردند. در این مطالعه، از خروجی خوشهبندی فازی به منظور استخراج دادههای تعلیمی استفاده شد. با استفاده از دادههای تعلیمی استخراج شده و روش طبقهبندی بیشینه شباهت کلاسهای کاربری منطقه مورد مطالعه با دقت بالاتری نسبت به روش خوشهبندی فازی استخراج گردید. پس از طبقهبندی بیشینه شباهت تصاویر، رشد شهری به روش مقایسه پس از طبقهبندی شناسایی شد و نقشهی تغییرات منطقهی شهری بدست آمد. مقایسه نتایج با دادهی مرجع زمینی که شامل نقشههای شهر شیراز در سالهای 1990، 2000 و 2011 میشود، نشان میدهد که دقت تولید کننده و کاربر نقشهی تغییرات حاصله با در نظر گرفتن شاخصهای تغییرات طیفی- مکانی و انتخاب دادههای آموزشی به صورت اتوماتیک برای بازهی زمانی اول، 8% و برای بازهی زمانی دوم، 10% افزایش یافته است. برای ارزیابی عملکرد طبقهبندی بیشینه شباهت در مقایسه پس از طبقهبندی از روش ماشین بردار پشتیبان استفاده شد. دقت تولید کننده و کاربر نقشهی رشد شهری این روش با در نظر گرفتن شاخصهای تغییرات برای بازهی زمانی اول به ترتیب 5/76 و 65 درصد و برای بازهی زمانی دوم، 84/77 و 23/78 درصد حاصل شد. در صورتیکه با طبقهبندی بیشینه شباهت برای بازهی زمانی اول 63/84 و 3/78 درصد و برای بازهی زمانی دوم 89/85 و 42/88 درصد محاسبه گردید. بنابراین نقشهی تغییرات حاصله با طبقهبندی بیشینه شباهت و شاخصهای تغییرات طیفی- مکانی از صحت بالاتری برخوردار است. Urban growth and its monitoring are important items of interest for urbans and municipalities. Remote sensing and related technologies are new tools that recently used for this purpose. Change detection techniques generally divided into two groups: object based and pixel based techniques. Pixel based techniques included algebra, transformation, fuzzy, hybrid, multi temporal direct comparison and classification based methods. In classification comparison is useful. In these methods quality and quantity of training samples are vital for producing good results. According to research conducted, accuracy of unsupervised classification techniques is less than supervised classification techniques. On the other, supervised techniques need training samples that obtaining these samples is time consuming. As first goal in this research, presentation a supervised method for obtaining training samples automatically. Second goal is using spectral- spatial variation indicators in change detection. Landsat 5 TM images in 1990, 2000 and 2011 were used for change detection of Shiraz city. In this research reference land use map was prepared  by IRS, IKONOS and Google earth images. At first, images were preprocessed. In preprocessing, geometric and radiometric calibration were done. Images were georeferenced by polynomial method and RMSE calculated less than 1 pixel. After preprocessing, spectral- spatial variation indicators were calculated by 3d  wavelet decomposition. These indicators describe spectral and spatial simultaneously. Results showed that spatial variations of natural features are less than spectral variations. So these features are brighter than other features in spectral variation images. Then data were clustered into four classes urban, baresoil, road and vegetation by fuzzy c means method. Overall accuracy of fcm calculated 81.6, 86.5 and 87% in 1990, 2000 and 2011 with consideration variation indicators. Train data were selected for maximum likelihood classification automatically. Overall accuracy of maximum likelihood classification calculated 87.36, 89.5 and 89.7% in 1990, 2000 and 2011 with consideration variation indicators. Results showed variation indicators and automatic selection of training data improved overall accuracy and separation of classes. Classified images used for change detection. Some of samples were selected for assessment accuracy of final product. Confusion matrix found using reference data. Results showed spectral- spatial variation indicators improved accuracy of change detection. At the end support vector machine used in post classification comparison. Produce and user accuracies of this method were obtained 76.5, 65% for first interval and 77.84, 78.23% for second interval under consideration variation indicators. In the event that accuracies of proposed method were obtained 84.63, 78.3% for first interval and 85.89, 88.42% for second interval. So accuracies of change detection with proposed method is higher than support vector machine. سنجش از دور, شاخص‌های تغییرات طیفی- مکانی, رشد شهری, مقایسه پس از طبقه‌بندی, لندست5 Remote Sensing, Spectral-Spatial Indices, Urban Growth, Post Classification Comparison, Landsat5 57 74 http://jgst.issgeac.ir/browse.php?a_code=A-10-570-1&slc_lang=fa&sid=1 A. Mohammadzade علی محمدزاده almoh2@gmail.com 10031947532846005224 10031947532846005224 No kntu بدون سازمان A. Varesi عاطفه وارثی varesi@email.kntu.ac.ir 10031947532846005225 10031947532846005225 Yes kntu بدون سازمان M. Janalipour میلاد جانعلی پور m_janalipour89@yahoo.com 10031947532846005226 10031947532846005226 No بدون سازمان