تركيب روش ‏هاي ادغام تصاوير چندزمانه و طبقه بندي جهت پايش تغييرات درياچه مهارلو در بازه زماني پنج ساله (2018 - 2013)

سابقه وهدف: در بسياري از تحقيق ها براي پايش تغييرات سطح آب ابتدا تصاوير چندزمانه به طور مجزا تحليل مي شوند و پس از استخراج محدوده آب، اين محدوده ها با يكديگر مقايسه شده و ميزان تغييرات مشخص مي‏ گردد. با وجود اين، به روش هايي نياز است كه افزون بر دقت زياد، شناسايي تغييرات را نيز تسهيل كنند. بنابراين، براي نيل به اين هدف، در اين تحقيق از روش ه اي ادغام تصاوير چند زمانه و طبقه بندي جهت استخراج تغييرات درياچه مهارلو بين سال هاي 2013 تا 2018 استفاده مي‏ شود. مواد و روش ها: پس از انجام پيش ‏پردازش ‏هاي لازم، از دو روش گرام – اشميت و تبديل مولفه هاي اصلي براي ادغام تصاوير استفاده شد و با اعمال روش هاي طبقه‌بندي بر روي تصاوير ادغام شده، مناطق تغييريافته و بدون ‏تغيير استخراج شدند. از روش هاي ماشين بردار پشتيبان (SVM) و حداكثر احتمال (ML) براي طبقه بندي تصاوير ادغام شده استفاده گرديد. در مرحله بعد، تركيب اين روش‏ ها با يكديگر مقايسه شده و بهترين تركيب دوتايي استخراج گرديده است. در نهايت، روش انتخاب شده در اين تحقيق با روش ‏هاي مرسوم پايش تغييرات مقايسه شد. نتايج و بحث: پس از مقايسه نتايج مشخص شد كه درياچه مهارلو از سال 2013 تا 2018 بر اساس روش گرام اشميت ماشين بردار پشتيبان حدود 163.3 كيلومتر عقب نشيني داشته است. بمنظور ارزيابي صحت نتايج، از صحت كلي و سنجه كاپا استفاده شد. با توجه به نتايج به دست آمده، روش گرام اشميت ماشين بردار پشتيبان داراي صحت كلي 99.33 درصد بوده و ضريب كاپاي 0.99 را داراست و داراي كمترين خطاي نسبي يعني 3.92 كيلومترمربع مي ‏باشد و نسبت به روش‏ هاي ديگر تغييرات را بهتر نشان مي ‏دهد و نتايج آن به واقعيت زميني نزديكتر است. در مرحله بعد، سطوح آب با استفاده از روش ‏هاي مرسوم آشكارسازي تغييرات مانند روش تفاضل تصاوير، نسبت گيري باندي و تفاضل سنجه پوشش گياهي از تصاوير استخراج شد و با نتايج حاصل از روش گرام اشميت ماشين بردار پشتيبان مورد مقايسه قرار گرفت. با توجه به نتايج گرفته شده، روش گرام اشميت ماشين بردار پشتيبان نسبت به روش ‏هاي ديگر داراي صحت كلي و ضريب كاپاي بالاتر و در عين حال كمترين خطاي نسبي مي ‏باشد. نتيجه گيري: نتايج اين تحقيق نشان مي دهد كه روش گرام-اشميت براي ادغام تصاوير و ماشين بردار پشتيبان براي طبقه‏ بندي، نتايج مطلوبي در استخراج تغييرات در تصوير داشته است. اين روش مي‏ تواند به عنوان ابزاري موثر در پايش تغييرات مورد استفاده قرار گيرد، بويژه اينكه، ادغام تصاوير به دليل بالا بردن قدرت تفكيك تصاوير مي ‏تواند در بالا بردن دقت طبقه ‏بندي نيز موثر باشد.