آشكارسازي تغييرات زير پيكسلي كاربري اراضي در تصاوير ابرطيفي مبتني بر جداسازي طيفي و پس‌پردازش

Land Cover Subpixel Change Detection using Hyperspectral Images Based on Spectral Unmixing and Post-processing

امروزه سنجش‌ازدور با دارا بودن توان تفكيك مكاني و طيفي بالا، پوشش گسترده و با كمترين هزينه براي دريافت داده از زمين، نقش كليدي را در حوزه پژوهش‌هاي علوم زمين و پايش محيط‌زيست ازجمله آشكارسازي تغييرات داشته است. به‌طوركلي تشخيص به‌موقع و دقيق تغييرات در مقياس محلي و جهاني، در مديريت بهينه‌ي استفاده از منابع، از اهميت بالايي برخوردار است. تصاوير فراطيفي، به‌علت دارا بودن توان تفكيك طيفي بالا، نتايج بهبود يافته‌اي از آشكاري‌سازي تغييرات و همچنين جزئيات بيشتري از فرآيند آشكارسازي تغييرات را فراهم مي‌نمايند. استفاده از روش‌هاي مبتني بر جداسازي طيفي روي تصاوير فراطيفي، توانمندي بسيار بالايي براي دست يافتن به اطلاعات مهم زيرپيسكل دارد. در اين پژوهش يك روش آشكارسازي تغييرات با استفاده از الگوريتم‌هاي تفاضل‌گيري، اتسو و جداسازي طيفي ارائه گرديده است. يكي از مهمترين قابليت‌هاي روش پيشنهادي، بهبود توان تفكيك مكاني نقشه تغييرات است. همچنين علاوه بر تهيه نقشه تغييرات به‌صورت دودويي و خودكار، قادر به استخراج اطلاعات درباره ماهيت كلاس‌هاي تغيير نيز و دستيابي به تغييرات در زيرپيكسل مي‌باشد. به‌منظور ارزيابي كارايي و دقت روش پيشنهادي، از دو مجموعه داده‌ي چند زمانه‌ي فراطيفي به‌كارگرفته شد. داده اول از سنجنده‌ي هايپريون، مربوط به مزارع كشاورزي اطراف شهر جيانگسو واقع در چين است. به‌منظور كاهش خطاي تهيه نقشه واقعيت زميني و افزايش اعتمادپذيري؛ يك داده شبيه‌سازي شده از سنجنده هوابرد اوريس؛ تهيه گرديد. ارزيابي خروجي‌هاي به‌دست‌آمده نشان‌دهنده، دقت كلي بالا و نرخ كم هشدارهاي روش پيشنهادي، در مقايسه با روش‌هاي رايج آشكارسازيِ تغييرات، است، به‌طوري‌كه دقت كلي براي داده چين، با دقت كلي بالاي 91%، ضريب كاپا 85/0، نرخ هشدارهاي اشتباه كلي كمتر از 7% و هزينه محاسباتي و نسبتا پايين نسبت به روش‌هاي متداول حكايت مي‌كند. علاوه نتايج به‌دست براي داده شبيه¬سازي شده، 80/99 درصد ضريب كاپا، 82/0 و ميزان نرخ هشدارهاي اشتباه آن، 19/0 درصد است.

The earth is continually being influenced by some actions such as flood, tornado and human artificial activities. This process causes the changes in land cover type. Thus, for optimal management of the use of resources, it is necessary to be aware of these changes. Today’s remote sensing plays key role in geology and environmental monitoring by its high resolution, wide covering and low cost of data receiving from the earth and it has many applications such as change detection. To manage the resources optimally, in local and gloal scale, accuracy and being on-time are very substantial. Hyperspectral images, with thier high ability of spectral resolution, can improve change detection in result and extract more detail of changes. In this research a new method of change detection for hyperspectral imagery using the Image-Differencing, Otsu and spectral unmixing algorithms is presented . The proposed method is presented in three steps: (1) Data correction using image differencing method and data conversion to new computing space. At this space, the changed areas would be more outstanding compare to previous space. (2) the decision about the nature of endmembers is made using Otsu algorithm. (3) spatial resolution enhancement based on abundance map. The proposed method can automatically extract binary change map. In addition, this method provides information about the nature of change in sub-pixel level. To examine the performance of the proposed method, the hyperspectral imagery (by Hyperion sensors) from Chiangsu fields in china and a simulated data from the AVIRIS sensor were used. The results show the high accuracy of the proposed method in comparison with other methods. Its overall accuracy is more than 93% and its kappa coefficiency is 0.85 and mean false alarm rates is under 7% for China dataset. an‎d also, the results for second dataset are as follow: the overall accuracy is more than 99% and kappa coefficiency is 0.82 and mean false alarm rates is under 1%.