fa آشکارسازی تغییرات کاربری اراضی شهری با آنالیز تصاویر پهپاد و طبقه‌بندی شی‌گرای سلسله مراتبی فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="letter-spacing:-0.1pt"><span lang="FA"><span b="" nazanin="">امروزه</span></span> <span lang="FA"><span b="" nazanin="">با گسترش جمعیت و افزایش شهرنشینی، اهمیت نظارت و ارزیابی دقیق منابع شهری</span></span> <span lang="FA"><span b="" nazanin="">بوسیله آشکارسازی تغییرات پوشش و کاربری اراضی درجهت کنترل و مدیریت جامع آن‌ها بیش از پیش مورد توجه قرار گرفته است</span></span>.<span b="" nazanin=""> در این راستا، پژوهش حاضر با هدف</span> <span lang="FA"><span b="" nazanin="">ارزیابی پتانسیل و ظرفیت تصاویر پهپاد در آشکارسازی تغییرات بوسیله الگوریتم طبقه‌بندی قانون‌مبنا از یک منطقه ‌شهری انجام شده است. در این پژوهش، از دو سری داده که یکی از آن‌ها، تصاویر اخذ شده توسط پهپاد مدل </span></span>Sense Fly EbeeX<span lang="FA"><span b="" nazanin=""> مربوط سال 1400 از مناطق جنوبی بندر چابهار و دیگری متعلق به تصاویر هوایی دوربین </span></span>Ultracam XP<span b="" nazanin=""> مربوط به سال 1392 از همان منطقه بوده، بهره گرفته شده است. </span><span lang="AR-SA"><span b="" nazanin="">یکی از نکات مورد توجه در پژوهش حاضر، استفاده از مدل سلسله‌مراتبی است که برای ایجاد آن، تمام کلاس‌ها بر اساس مجموعه‌ای از&nbsp; ویژگی‌های جامع مورد پردازش قرار گرفته و در ادامه بر اساس ماتریس تفکیک‌پذیری اقدام به طراحی مدل سلسله مراتبی شد</span></span><span lang="FA"><span b="" nazanin="">. </span></span><span lang="AR-SA"><span b="" nazanin="">در ادامه، بر اساس همان ماتریس در هر گره بهینه‌ترین ویژگی‌ها برای جداسازی کلاس‌ها انتخاب گردید. در طبقه‌بندی‌ شی‌گرا بااستفاده از آنالیز قانون مبنا اشیا تصویری، استخراج 5 کلاس کاربری اراضی براساس تعریف قوانین پیرامون محدوده آماری توصیف‌گر‌های بهینه صورت پذیرفت. سپس یک فرایند پس پردازشی بمنظور بهبود نتایج طبقه‌بندی اولیه پیاده‌سازی گردید. </span></span><span lang="FA"><span b="" nazanin="">یافته‌های کمی تحقیق بیانگر این است که ضریب کاپا و دقت کلی نتایج حاصل از طبقه‌بندی قانون‌مبنا به‌ترتیب 90/0 و 31/93 درصد برای تصویر التراکم و مقادیر آن‌ها برای تصویر ارتوفتو پهپاد&nbsp; 78/. و 96/83 درصد می‌باشد. یافته‌های حاصل از این روش طبقه‌بندی، نشان می‌دهد که بیشترین تغییر پوشش زمین مربوط به تبدیل زمین بایر به پوشش گیاهی با 843/32 درصد بوده است. همچنین،کم‌ترین تغییرات آن به تبدیل ساختمان به جاده با 34/2 درصد اختصاص دارد.</span></span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:107%"><span style="line-height:107%"><span new="" roman="" times="">With rapid population growth and urbanization, accurate monitoring and evaluation of urban resources through land use/land cover (LULC) change detection has gained increasing significance for effective urban management. This study aims to assess the potential of unmanned aerial vehicle (UAV) imagery for change detection using a rule-based object-oriented classification approach in an urban area. Two datasets were utilized: UAV images captured in 2021 by a SenseFly eBeeX drone over southern Chabahar city, and aerial images acquired in 2013 by an Ultracam XP camera from the same area. A key aspect of the methodology was the implementation of a hierarchical classification model. In this model, all classes were processed using a comprehensive set of features, and a separability matrix was used to design the hierarchical structure. At each node of the hierarchy, optimal features were selected to distinguish between classes. Object-based classification was performed using rule-based analysis of image objects, resulting in the extraction of five land use classes based on statistical thresholds of optimal descriptors. A post-classification processing step was applied to refine the initial results. The quantitative findings showed that the rule-based classification achieved a Kappa coefficient and overall accuracy of 0.90 and 93.31% for the Ultracam imagery, and 0.78 and 83.96% for the UAV orthophoto, respectively. Change detection results revealed that the most significant land cover transformation was from bare land to vegetation (32.843%), while the least change was from buildings to roads (2.34%).</span></span></span></span></span></div> &nbsp; شناسایی تغییرات, کاربری اراضی, فتوگرامتری پهپاد مبنا, طبقه‌بندی, تصاویر با قدرت تفکیک بالا Change detection, land use, drone-based photogrammetry, classification, high-resolution images 89 105 http://jgst.issgeac.ir/browse.php?a_code=A-10-621-5&slc_lang=fa&sid=1 Amirhosein Babaeepour امیرحسین بابائی‌پور a.babaeepour@mail.sbu.ac.ir 100319475328460010946 100319475328460010946 No Shahid Beheshti University دانشگاه شهید بهشتی Asghar Milan اصغر میلان a_milan@sbu.ac.ir 100319475328460010947 100319475328460010947 Yes Shahid Beheshti University دانشگاه شهید بهشتی Saeid Sadeghian سعید صادقیان sa_sadeghian@sbu.ac.ir 100319475328460010948 100319475328460010948 No Shahid Beheshti University دانشگاه شهید بهشتی