آشکارسازي تغييرات مناطق شهري مبتني بر شبکه‌هاي عصبي، ويژگي‌هاي مکاني و الگوريتم ژنتيک با استفاده از تصاوير ماهواره‌اي بزرگ‌مقياس

فرامرز سرمدي, حمید عبادی, علي محمدزاده

چکیده


آشکارسازي تغييرات پوشش اراضي براي پايش رشد شهرها و برنامه‌ريزي مسئولانه در مورد آنها امري ضروري است. سنجش‌ از دور فناوري قدرتمندي است که مي‌توان از آن در آشکار‌‌سازي تغييرات اراضي استفاده کرد. يکي از چالش‌هاي موجود در اين زمينه توسعة روش‌‌هاي کارآمد به‌منظور آشکار‌سازي تغييرات با سطح خودکارسازي بالاست که بتواند اطلاعاتي صحيحي در مورد موقعيت جغرافيايي و ماهيت اين تغييرات ارائه کند. در پژوهش حاضر با استفاده از دو تصوير GeoEye منطقة 17 شهر تهران مربوط به سال‌هاي 2004 و 2010 از ويژگي‌هاي مکاني متن تصوير، شبکه‌هاي عصبي و الگوريتم ژنتيک براي آشکار‌سازي تغييرات استفاده شد. شش حالت مختلف، هريک با دو رويکرد طبقه‌بندي مستقيم چندزماني و مقايسة پس از طبقه‌بندي، از ديدگاه صحت آشکارسازي و زمان اجراي الگوريتم مورد مقايسه قرار گرفتند. بررسي‌هاي انجام‌شده نشان دادند که رويکرد طبقه‌بندي مستقيم چندزماني در هر شش حالت نتايج بهتري ارائه کرده است. همچنين در بين شش حالت بررسي‌شده، عملکرد حالت ششم (روش پيشنهادي اين تحقيق) از نظر صحت طبقه‌بندي بهتر است. در حالت ششم پس از انتخاب بهينة ويژگي‌ها، طبقه‌بندي مبتني بر شبکه‌هاي عصبي با تعيين معماري شبکه و با چندين بار اجرا صورت مي‌گيرد. هرچند زمان اجراي اين روش درمقايسه با ديگر حالت‌هاي بررسي‌شده بيشتر است، اما درصورتي‌که صحت طبقه‌بندي به زمان ارجحيت داشته باشد اين روش کاملاً توصيه مي‌شود

واژگان کلیدی


آشکارسازي تغييرات، گسترش شهر، ويژگي‌هاي مکاني، شبکه‌هاي عصبي، الگوريتم ژنتيک

تمام متن:

PDF

منابع و مآخذ مقاله


Benediktsson, J.A., Swain P.H. & Ersoy O.K., 1990, Neural Network Approaches versus Statistical Methods in Classification of Multisource Remote Sensing Data, Geoscience and Remote Sensing, IEEE Transactions on 28(4), PP. 540-552.

Bruzzone, L. & Serpico, S.B., 1997, An Iterative Technique for the Detection of Land-cover Transitions in Multitemporal Remote-sensing Images, Geoscience and Remote Sensing, IEEE Transactions on 35(4), PP. 858-867.

Chen, C., Chen, K.S. & Chang, J., 1995, Neural Network for Change Detection of Remotely Sensed Imagery.

Chini, M., Pacifici, F., Emery, W.J., Pierdicca, N. & Del Frate, F., 2008, Comparing Statistical and Neural Network Methods Applied to very high Resolution Satellite Images Showing Changes in Man-made Structures at Rocky Flats, Geoscience and Remote Sensing, IEEE Transactions on 46(6), PP. 1812-1821.

Coppin, P.R. & Bauer, M.E., 1996, Digital Change Detection in Forest Ecosystems with Remote Sensing Imagery, Remote Sensing Reviews 13(3), PP. 207-234.

Dai, X. & Khorram, S., 1998, The Effects of Image Misregistration on the Accuracy of Remotely Sensed Change Detection, Geoscience and Remote Sensing, IEEE Transactions on 36(5), PP. 1566-1577.

Haralick, R.M., Shanmugam K. & Dinstein I.H., 1973, Textural Features for Image Classification, Systems, Man and Cybernetics, IEEE Transactions on(6),

PP. 610-621.

Heermann, P.D. & Khazenie N., 1992, Classification of Multispectral Remote Sensing Data using a Back-propagation Neural Network, Geoscience and Remote Sensing, IEEE Transactions on 30(1),

PP. 81-88.

Hertz, J., Krogh A. & Palmer, R.G., 1991, Introduction to the Theory of Neural Computation, Westview press.

Kabir, S., He, D. & Hussina, W., 2010, Texture Analysis of IKONOS Satellite Imagery for Urban Land use and Land Cover Classification, Imaging Science Journal, 58(3), PP. 163-170.

Liu, Y., Starzyk J.A. & Zhu Z., 2007, Optimizing Number of Hidden Neurons in Neural Networks, Artificial Intelligence and Applications.

Long, D., 1999, Remotely Sensed Change Detection based on Artificial Neural Networks, Photogrammetric engineering and remote sensing, 65(10), PP. 1187-1194.

Neagoe, V.E., Neghina, M. & Datcu, M., 2012, Neural Network Techniques for Automated Land-Cover Change Detection in Multispectral Satellite Time Series Imagery, International Journal of Mathematical Models and Methods in Applied Sciences, 6(1), PP. 130-139.

Nguyen, D. & Widrow, B., 1990, Improving the Learning Speed of 2-layer Neural Networks by Choosing Initial Values of the Adaptive Weights, Neural Networks, 1990 IJCNN International Joint Conference on, IEEE.

Pacifici, F., Del Frate, F., Solimini, C. & Emery, W.J., 2007, An Innovative Neural-net Method to Detect Temporal Changes in High-resolution Optical Satellite Imagery, Geoscience and Remote Sensing, IEEE Transactions on 45(9), PP. 2940-2952.

Paola, J. & Schowengerdt R., 1995, A Review and Analysis of Backpropagation Neural Networks for Classification of Remotely-sensed Multi-spectral Imagery, International Journal of Remote Sensing, 16, PP. 3033-3033.

Paola, J.D. & Schowengerdt, R.A., 1995, A Detailed Comparison of Backpropagation Neural Network and Maximum-likelihood Classifiers for Urban Land Use Classification, Geoscience and Remote Sensing, IEEE Transactions on 33(4),

PP. 981-996.

Pu, R., Gong, P., Tian, Y., Miao, X., Carruthers, R.I. & Anderson G.L., 2008, Invasive Species Change Detection using Artificial Neural Networks and CASI Hyperspectral Imagery, Environmental monitoring and assessment, 140(1-3), PP. 5-32.

Richards, J.A. & Jia, X., 2006, Remote Sensing Digital Image Analysis: an introduction, Springer Verlag.

Rumelhart, D.E., Hintont G.E. & Williams, R.J., 1986, Learning Representations by Back-propagating Errors, Nature 323(6088),

PP. 533-536.

Zhang, Y., 1999, Optimisation of Building Detection in Satellite Images by Combining Multispectral Classification and Texture Filtering, ISPRS journal of photogrammetry and remote sensing, 54(1), PP. 50-60.


ارجاعات

  • در حال حاضر ارجاعی نیست.