Journal of Geomatics Science and Technology

fa آشکارسازی تغییرات در مناطق شهری با تلفیق در سطح تصمیم نقشه های تغییرات بدست آمده از تصاویر نوری و پلاریمتری Change Detection in Urban Area Using Decision Level Fusion of Change Maps Extracted from Optic and SAR Images فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research با توجه به گسترش شهر‌نشینی در چند دهه‌ی گذشته، تغییرات ایجاد شده با بکارگیری تکنیک‌های آشکارسازی تغییرات شهری نمایان می‌شود که جهت برنامه‌ریزی شهری مورد استفاده قرار می‌گیرد.  استفاده از روش‌های مختلف آشکارسازی تغییرات و اعمال آن بر داده‌های راداری و نوری سنجش از دوری مزایا و معایبی دارند. تلفیق این روش‌ها و دسته داده‌ها می‌تواند به ما این امکان را بدهد که معایبشان پوشیده شود و مکمل یکدیگر باشند. بدین منظور، در این مقاله یک روش تلفیق در سطح تصمیم مبتنی بر رای اکثریت برای تلفیق نقشه‌های تغییرات حاصل از روش‌های مختلف اعمال شده روی دو دسته داده‌ی نوری و پلاریمتری پیشنهاد شده است. پس از اعمال پیش‌پردازش‌های لازم و استخراج ویژگی‌های مورد نظر از تصاویر نوری و پلاریمتری، به طبقه‌بندی آن‌ها به صورت جداگانه و با روش‌های مختلف مانند روشهای طبقه‌بندی شی مبنا (روش نزدیکترین همسایه و روش ماشین بردار پشتیبان) و روش‌های طبقه‌بندی پیکسل مبنا (حداکثر احتمال، شبکه عصبی، ماشین بردار پشتیبان) برای تصاویر نوری و روشهای طبقه‌بندی ویشارت و ماشین بردار پشتیبان برای تصاویر پلاریمتری می‌پردازیم. با اعمال روش‌های مختلف آشکارسازی تغییرات نقشه‌های تغییرات از تصاویر نوری و پلاریمتری حاصل می‌شوند. در مرحله آخر نقشه تغییرات نهایی با اعمال الگوریتم رای اکثریت بر نقشه‌های تغییرات بدست آمده استخراج می‌شود. به منظور ارزیابی دقت و کارایی روش پیشنهادی، این روش بر روی تصاویر نوری حاصل از Google Earth، سنجنده QuickBird و تصاویر پلاریمتری روزنه ترکیبی UAVSAR از حومه شهر اوکلند در کالیفرنیا، آمریکا مربوط به دو تاریخ 2010 و 2017 اعمال شد. به منظور روشن شدن اهمیت بکارگیری هر دو تصاویر نوری و پلاریمتری، الگوریتم تلفیق رای اکثریت روی نقشه‌های تغییرات حاصل از تصاویر نوری و پلاریمتری بصورت جداگانه نیز اعمال شد. جهت انجام ارزیابی مقایسه‌ای، دقت نقشه تغییرات بدست آمده با استفاده از روش پیشنهادی و با بکارگیری تصاویر نوری بصورت مستقل (دقت کلی: 80.86% و کاپا: 0.67)، تصاویر پلاریمتری بصورت مستقل (دقت کلی: 75.43% و کاپا: 0.5)، استفاده همزمان از هر دو نوع تصویر (دقت کلی: 88.48% و کاپا: 0.79) و همچنین با بکارگیری نقشه‌های تغییرات هر دو دسته داده با بیشترین دقت (دقت کلی: 88.81% و کاپا: 0.79) محاسبه شد. در انتها نقشه‌ی تغییراتی با دقت کلی: 90.11% و کاپا: 0.82 حاصل شد.   <div style="text-align: justify;">The last few decades witnessed high urban growth rates in many countries. Urban growth can be mapped and measured by using remote sensing data and techniques along with several statistical measures. The purpose of this research is to detect the urban change that is used for urban planning. Change detection using remote sensing images can be classified into three methods: algebra-based, transformation-based and classification-based. By using any of these methods and applying them to SAR and optical data has advantages and disadvantages. Fusion of these methods and datasets can give us this opportunity to overcome their disadvantages and complement each other. For this purpose, here, a decision level fusion technique based on the majority voting algorithm is proposed for integrating the change maps extracted by different methods. After extracting features for optical and polarimetric data, object-based and pixel-based classification methods applied to optic images and also Wishart and SVM classification methods applied on SAR data. Change maps extracted from applying different CD methods such as post-classification, image differencing and principal component analysis. In order to evaluate the efficiency of the proposed method, various optical and radar remote sensing images from before and after of urban growth, acquired by QuickBird and UAVSAR, were utilized. In order to clarify the importance of using both optical and polarimetric images, the majority voting fusion algorithm on the change maps extracted by optical and polarimetric images was also applied separately. The results show that by fusing optical and polarimetric data at the decision level, it is possible to obtain a better accuracy because these two types of data, due to differences, can detect changes in a different way, thus covering each other's deficiencies. Polarimetric images better detect changes in altitude changes, and optical images better detect changes resulting from spectral changes. In order to perform a comparative evaluation, the accuracy of the change map obtained using optical images (total accuracy: 80.86% and kappa: 0.67), polarimetric images (overall accuracy: 75.43% and kappa: 0.5), simultaneous applying both datasets (overall accuracy: 88.48% and kappa: 0.79), as well as using the change maps of both data sets with the highest accuracy (overall accuracy: 88.81% and kappa: 0.79) have been obtained. In the end, due to the noise characterization of the post-classification method, the obtained change map improves with an overall accuracy of 90.11% and a kappa of 0.82.  </div> طبقه‌بندی, آشکارسازی تغییرات, رای‌گیری اکثریت, تصاویر با قدرت تفکیک مکانی بالا, رشد شهری, تلفیق تصاویر نوری و پلاریمتری Classification, Change Detection, Majority Voting, High Resolution Images, Urban Growth 71 90 http://jgst.issgeac.ir/browse.php?a_code=A-10-68-4&slc_lang=fa&sid=1 S. Salehian سونا صالحیان قمصری salehiyan.sona@ut.ac.ir 10031947532846006016 10031947532846006016 No University of Tehran دانشگاه تهران H. Arefi حسین عارفی hossein.arefi@ut.ac.ir 10031947532846006017 10031947532846006017 Yes University of Tehran دانشگاه تهران R. Shah Hosseini رضا شاه حسینی rshahosseini@ut.ac.ir 10031947532846006018 10031947532846006018 No University of Tehran دانشگاه تهران