بررسي كارايي شبكه يادگيري عميق در شناسايي تغييرات اراضي با استفاده از تصاوير دو زمانه لندست-8

علم سنجش ازدور با به كارگيري تصاوير چند زمانه ماهواره اي، امكان پايش تغييرات در فواصل زماني مختلف را فراهم كرده است. رويكرد پيكسل مبنا در شناسايي تغييرات توانايي ارائه دقت بالا را ندارد و ازاين رو بايد ويژگي هاي مكاني در كنار ويژگي هاي طيفي بكار روند. استفاده از روش هاي سنتي توليد ويژگي مكاني مانند ماتريس هم رخداد با چالش هايي روبه رو است. توليد اين ويژگي ها علاوه بر اين كه وابسته به انتخاب كاربر است، به صورت ناخواسته باعث افزايش فضاي ويژگي مي گردد. تمركز اصلي مقاله حاضر در به كارگيري ويژگي هاي طيفي-مكاني در راستاي حل محدوديت روش هاي سنتي در شناسايي تغييرات مي باشد. در اين تحقيق، ويژگي هاي طيفي-مكاني توسط خود شبكه يادگيري عميق پيشنهادي استخراج شده و در طبقه بندي بكار گرفته شده اند. تصاوير لندست-8، ورودي شبكه بوده و فرايند استخراج ويژگي به صورت سلسله مراتبي صورت گرفته است. بر اساس ويژگي هاي طيفي-مكاني عميق توليدي از لايه هاي شبكه، خروجي شبكه تصاوير طبقه بندي شده ي قبل و بعد مي باشد. درنهايت، بر اساس رويكرد پساطبقه بندي نقشه تغييرات حاصل مي گردد. از شبكه پيشنهادي جهت ارزيابي تغييرات شهر سهند با استفاده از تصاوير سنجنده لندست-8 در بين سال هاي 2013 تا 2021 استفاده شده است. براي اثبات قابليت شبكه پيشنهادي در به كارگيري ويژگي و طبقه بندي دقيق تصاوير، نتايج حاصل شده با نتايج روش هاي جنگل تصادفي و شبكه عصبي مصنوعي مقايسه شده است. نتايج شناسايي تغييرات نشان داد كه به كارگيري شبكه يادگيري عميق پيشنهادي دقت كلي شناسايي تغييرات باينري را به ترتيب به ميزان 13.88% و 12.80% نسبت به شبكه عصبي مصنوعي و جنگل تصادفي افزايش مي دهد. همچنين به كارگيري شبكه پيشنهادي دقت كلي نقشه ماهيت تغييرات را به ترتيب به ميزان 57.81% و65.7% در مقايسه با جنگل تصادفي و شبكه عصبي مصنوعي افزايش داده است. روش هاي جنگل تصادفي و شبكه عصبي مصنوعي عليرغم اينكه توانسته اند محل تغييرات را شناسايي كنند اما در ارائه نوع ماهيت تغييرات عملكرد نامناسبي ارائه كرده اند.