پيش‌بيني توسعه شهري با استفاده از تصاوير ماهواره‌اي سنتينل به روش شبكه عصبي

Urban Growth Prediction using Sentinel Satellite Images by Neural Network Method

پژوهش حاضر با به‌كارگيري فن سنجش از دور و شبكة عصبي به مدل ­سازي توسعة شهر رشت آن پرداخته است. بدين منظور با تهيه تصاوير ماهواره ­هاي لندست و سنتينل به بررسي تغييرات كاربري­ هاي رشت پرداخته شده است. با توجه به ارتقاي قدرت تفكيك طيفي و مكاني تصاوير سنتينل در مقايسه با لندست به نظر مي­رسد شاهد افزايش دقت در روند پردازش تصاوير و پايش تغييرات زماني باشيم. توليد نقشه ­ها از تصاوير با تركيب چندين روش طبقه‌بندي در قالب يك درخت تصميم­ گيري انجام شده كه بهترين نتيجه متعلق به تصوير سنتينل با دقت كاپاي 92/0 بوده است. براي مدل­سازي توسعة شهر از تصاوير لندست سال­هاي 2000 و 2011 در قالب شبكة عصبي استفاده شده است. سپس توسط مدل توليد شده، نقشه سال 2017 پيش­بيني شده است. ميزان تطابق نقشه پيش­­بيني شده با نقشة مرجع سال 2017 محاسبه و معيارهاي دقت كلي و ضريب كاپا به ترتيب 9113/0 و 8422/0 به‌دست آمده است. در نهايت با دقت­ هاي قابل قبول، روش ارائه شده براي پيش‌بيني نقشه سال 2025 استفاده شده است.

This research aimed to study urban growth modeling of Rasht city using remote sensing and neural network techniques. To this purpose, land use changes have been detected by analyses of Landsat and sentinel images. Due to improvement of spectral and spatial resolutions of sentinel images compared with Landsat ones, it seems to observe improvements in the accuracy of image processing and monitoring of temporal changes. Map production from images was carried out by combining several classification methods using a decision tree approach and achieving best results from the Sentinel image with the Kappa coefficient of 0.92. For growth urban modeling, the images captured in years 2000 and 2011 were used in a neural network. In order to validate the model, the 2017 map was predicted using the generated model. The matching of the predicted map with the 2017 reference map based on the overall accuracy and Kappa coefficients was 0.9113 and 0.8422, respectively. Finally, according to efficiency of the model, the proposed method was used to predict the 2025 map.