سارا صالحی؛ محمدجواد ولدان زوج؛ محمودرضا صاحبی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 21-40
چکیده
استفاده از دادههای چندکانالة1 سنجندههای رادار با روزنة مجازی (SAR)2، بهدلیل مستقلبودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تککاناله، در کاربردهای متفاوتی مانند نظارت بر محیطزیست و مدیریت بلایای طبیعی بسیار توجیهپذیر است. با این حال، بهرهبرداری از این قابلیتها به استفاده ...
بیشتر
استفاده از دادههای چندکانالة1 سنجندههای رادار با روزنة مجازی (SAR)2، بهدلیل مستقلبودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تککاناله، در کاربردهای متفاوتی مانند نظارت بر محیطزیست و مدیریت بلایای طبیعی بسیار توجیهپذیر است. با این حال، بهرهبرداری از این قابلیتها به استفاده از روشهای دقیق و اتوماتیک برای تولید نقشههای تغییرات از تصاویر اخذشده از منطقة جغرافیایی یکسان، در پلاریزاسیونها یا فرکانسهای گوناگون مربوط به زمانهای متفاوت، نیاز دارد. از سوی دیگر، حساسیت به بافت صحیح برای یک پیکسل میتواند به حذف خطاهای برچسبگذاری پیکسلهای منفرد کمک کند و نقشة تغییرات را بهبود بخشد. حذف نویز لکهای و ماهیت ایزوتروپیک مدلسازی میدانهای تصادفی مارکوف موجب نرمشدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشة تغییرات نهایی میشود. بهمنظور حذف یا دستکم کاهش این اثر نامطلوب، استفاده از مدل مارکوف با هدف دخیلکردن اطلاعات لبهها در فرایند برچسبگذاری پیشنهاد میشود. این روند دقت لبهها در محل مرزهای مکانی را بهبود میبخشد و دقت آشکارسازی تغییرات را ارتقا میدهد. در این تحقیق، یک مدل مارکوف بهمنظور تشخیص نظارتنشدة تغییرات، ازطریق ترکیب اطلاعات موجود در هریک از کانالهایSAR ، اطلاعات بافت مکانی و نیز اطلاعات لبه، معرفی شده و با استفاده از «توابع انرژی» فرموله شده است. بهمنظور برآورد پارامترهای مدل، الگوریتم بیشینهسازی امید ریاضی (EM)3 با روش مشتقات لگاریتمی (MoLC)4 ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر ASAR-ENVISAT بهروش شبیهسازی ارزیابی شده است. براساس نتایج، روش پیشنهادی دقت کلی را، در مقایسه با روشهای موجود آشکارسازی تغییرات (با میانگین 12%)، افزایش داده و قابلیت شناسایی هر سه نوع تغییرات (اندک- متوسط- زیاد) را داراست. این در حالی است که، با درنظرگرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات اندک و متوسط بسیار پایین برآورد شده است. همچنین، با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم بسیار کاهش یافته است. بهطورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، 67/99% برآورد شد.