Journal of Geomatics Science and Technology

fa تلفیق روش‌های فاصله و شباهت مبنا به‌منظور آشکارسازی تغییرات کاربری اراضی در تصاویر فراطیفی Fusion of Similarity and Distance based Methods for Landcover Change Detection using Hyperpsectral Imagey فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research سنجش‌ازدور به دلیل پوشش وسیع، توان جداسازی بالا و هزینه کم در اخذ داده از زمین، به‌عنوان ابزاری کارآمد، نقش مهمی را در حوزه‌ی پژوهش‌هایِ علوم زمین و پایشِ محیط‌زیست داشته است. یکی از مهم‌ترین کاربردهای سنجش‌ازدور آشکارسازی تغییرات است؛ تشخیص به هنگام و دقیق این تغییرات، در مقیاس محلی و جهانی، برای مدیریتِ بهینه‌ی استفاده از منابع، اهمیت زیادی دارد. این مقاله روشی نوین و بدون نظارت آشکارسازی تغییرات، کاربری اراضی با استفاده از تصاویر چند زمانه‌ی فراطیفی را عرضه می‌کند. این روش به‌صورت سلسله مراتبی و مبتنی بر استفاده از الگوریتمهای شباهت مبنا، فاصله مبنا و اتسو است. روش پیشنهادی در دو مرحله ارائه می‌شود: مرحله‌ی اول آن به‌عنوان آشکارساز و مرحله‌ی دوم، به‌عنوان فاز تصمیم‌گیری است. در مرحله اول، ابتدا داده‌ی تصحیح‌شده توسط الگوریتمهای فاصله‌ی مبنا و شباهت مبنا، وارد فضای محاسباتی نوینی به نام فضای شباهت می‌شود. در این فضا نواحی تغییریافته، بارزتر از نواحی بدون تغییر خواهد بود. در ادامه، داده وارد مرحله دوم میشود. هدف از اجرای مرحله دوم تصمیمگیری در مورد ماهیت پیکسل در فضای دودویی است که نواحی تغییریافته دارای مقدار یک و نواحی بدون تغییر، دارای مقدار صفر است. مهم‌ترین مزیت روش پیشنهادی، نسبت به دیگر روش‌ها: خودکار بودن؛ نداشتن پیچیدگی در روش پیشنهادی؛ حجم پایین محاسبات و دقت بالای آن است. برای ارزیابی کارایی و دقت روش پیشنهادی، از دو مجموعه داده‌ی چند زمانه‌ی فراطیفی سنجنده‌ی هایپریون، مربوط به مزارع کشاورزی اطراف شهر جیانگسو واقع در چین و مزارع کشاورزی هرمیستن واقع در آمریکا استفاده‌شده است. ارزیابی خروجیهای به‌دست‌آمده نشان‌دهنده، دقت کلی بالا و نرخ کم هشدارهای روش پیشنهادی، در مقایسه با روش‌های رایج آشکارسازیِ تغییرات، است، به‌طوری‌که دقت کلی برای داده چین، 98.48 درصد ضریب کاپا، 0.965 و میزان نرخ هشدارهای اشتباه آن، 1.51 درصد و همچنین برای داده آمریکا، 95.12 درصد ضریب کاپا، 0.870و میزان نرخ هشدارهای اشتباه آن، 4.8 درصد است. Earth as the human habit, has been affected by natural events, such as tornado and flood of thunder and drought. In addition, some human activities such as urban development and deforestation have made the changes in many ways. However, these changes are unintentional they constantly threaten out the environment. So, predicting these changes are really important in order to face the consequences. Remotely sensed images, due to wide coverage, high resolution and low cost for providing data from the earth, play an important role in environment monitoring. One of the most important applications of remote sensing is change detection. <a name="OLE_LINK216"></a><a name="OLE_LINK214"></a><a name="OLE_LINK213"></a><a name="OLE_LINK220"></a><a name="OLE_LINK219">Change detection is a process which measures the differences between objects in the same place </a><a name="OLE_LINK218">at different times</a>. The change detection is an essential tool for monitoring and managing of resources at the local and global scales. The most important criteria in chage detection are the real-time and accurate detection of land cover changes. Hyperspectral sensors operate at continuous wavelengths with a bandwidth of approximately 10 nanometers. Carrying <a name="OLE_LINK264"></a><a name="OLE_LINK261"></a><a name="OLE_LINK245"></a><a name="OLE_LINK244"></a><a name="OLE_LINK262"></a><a name="OLE_LINK249"></a><a name="OLE_LINK248"></a><a name="OLE_LINK250">out change detection </a><a name="OLE_LINK254"></a><a name="OLE_LINK253">procedures on hyperspectral images</a> some problems appear that affect the results, such as the presence of noise in the images, and different atmospheric conditions, all of which lead to more computational complexity and an increase in execution time. This paper presents a new unsupervised change detectin method for land use monitoring by utilizing multi-temporal hyperspectral images. By incorporating similarity/distance based and Otsu algorithm in hierarchically manner, this method can detect any changes. The proposed method implements in two main phases: (1) the corrected data by using distance and similarity-based criteria that converted data to new computing space called similarity space. At this space, the changed areas can be a highlight from the no-change areas. (2) The second phase is to make a decision about the nature of pixels by a hierarchical process using Otsu algorithm that result of this phase is a binary change map. The main advantage of the proposed method is being unsupervised with simple usage, low computing burden, and high accuracy. The efficiency of the presented method has been evaluated by using Hyperion multi-temporal hyperspectral imagery. The first dataset is a farmland near the city of Yuncheng, Jiangsu Province, China. The data <a name="OLE_LINK82">were acquired on May 3</a>rd, 2006, and April 23rd, 2007, respectively. This scene is mainly a combination of soil, river, tree, building, road and agricultural field. The second study <a name="OLE_LINK85">area covers an </a><a name="OLE_LINK84"></a><a name="OLE_LINK83">irrigated</a> agricultural field in Hermiston City, Umatilla County, Oregon, USA. These data were acquired on May 1st, 2004, and May 8th, 2007. The land cover types are soil, irrigated fields, river, building, type of cultivated land and grassland. The results of two real datasets show high efficiency and accuracy with low false alarms rate by using proposed method compare to common change detection methods with overall accuracy of 98.48%, kappa coefficient of 0.965 and false alarms rate is 1.5% for China dataset as well as overall accuracy of 95.12%, kappa coefficient of 0.87 and false alarms rate is 4.8% for USA dataset. آشکارسازی تغییرات کاربری, تصاویر ابرطیفی, الگوریتم شباهت مبنا, الگوریتم فاصله مبنا, الگوریتم اتسو Change Detection, Hyperspectral, Similarity/Distance base, Otsu 111 126 http://jgst.issgeac.ir/browse.php?a_code=A-10-543-1&slc_lang=fa&sid=1 S. T. Seydi تیمور سیدی seydi.teymoor@ut.ac.ir 10031947532846005310 10031947532846005310 No university of tehran دانشگاه تهران M. Hasanlou مهدی حسنلو hasanlou@ut.ac.ir 10031947532846005311 10031947532846005311 Yes university of tehran دانشگاه تهران