بهبود آشكارسازي تغييرات كاربري اراضي با استفاده از روش هسته مبناي نگارنده زاويه طيفي در تصاوير فراطيفي

Improving Land Cover Change Detection using Kernel Spectral Angle Mapper Approach in Hyperspectral Images

تغييرات كاربري به‌عنوان عاملي پايه در تغييرات محيط‌زيست عمل كرده و به يك بحران تبديل‌شده است. شناسايي و ارزيابي تغييرات الگوهاي كاربري اراضي يك امر ضروري است، كه اگر به‌هنگام و با دقت بالا انجام گيرد، مي‌تواند به برنامه‌ريزان و مديران سازمان‌هاي مربوطه در اخذ تصميمات آگاهانه‌تر در جهت استفاده بهينه از منابع و جلوگيري از وقوع بحران كمك نمايد. اين امر با آشكارسازي تغييرات ميسر مي‌گردد. تصاوير فراطيفي، به علت دارا بودن توان تفكيك طيفي بالا، نتايج بهبود يافته‌اي از آشكارسازي تغييرات و همچنين جزئيات بيشتري از فرآيند آشكارسازي تغييرات را فراهم مي‌نمايند. يكي از چالش‌هاي رايج روش‌هاي متداول آشكارسازي تغييرات، تاثيرپذيري از شرايط محيطي و دستگاهي است. اين امر موجب تشخيص نادرست يكسري از پيكسل‌ها در فرايند آشكارسازي تغييرات مي‌گردد. بدين منظور، در اين پژوهش يك روش آشكارسازي تغييرات كاربري اراضي با استفاده از الگوريتم نگارنده زاويه طيفي، فنون هسته مبنا و الگوريتم بيشينه‌سازي اميد در تصاوير فراطيفي پيشنهاد شده است. در ابتدا يكسري داده آموزشي به‌منظور بهينه نمودن پارامترهاي هسته در طي يك فرآيند خودكار توسط الگوريتم نگارنده زاويه طيفي و الگوريتم بيشينه‌سازي اميد رياضي استخراج مي‌گردد. در ادامه، داده از فضاي تصوير به فضاي هيلبرت توسط الگوريتم هسته پايه نگارنده زاويه طيفي انتقال مي‌يابد. نهايتاً، نقشه تغيير با استفاده از الگوريتم بيشينه‌سازي اميدرياضي به‌دست مي‌آيد. از مهم‌ترين مزاياي اين روش: خودكار بودن، عدم نياز به تنظيم پارامترهاي دانش مبنا، نرخ كم هشدارهاي اشتباه و دقت بالا و حجم پايين محاسبات مي‌توان اشاره نمود. براي بررسي توانايي روش پيشنهادي، تصاوير ابرطيفي دريافت شده از مزارع كشاورزي هرميستن واقع در آمريكا توسط سنجنده هايپريون استفاده و مورد ارزيابي قرارگرفته است. نتايج به‌دست‌آمده نشان‌دهنده بهبود قابل‌توجه آشكارسازي تغييرات با به‌كارگيري روش پيشنهادي در مقايسه با مدل استاندارد نگارنده زوايه طيفي است، به‌طوري‌كه دقت كلي بالاي 94%، ضريب كاپا 0/84، نرخ هشدارهاي اشتباه كلي كمتر از 6% و هزينه محاسباتي و زماني نسبتاً پايين حكايت مي‌كند.

Increasing the population and urban development is one of the most important human actions that cause changes on the face of the earth, especially in the developing countries, which is more. This process can cause devastating effects such as social, economic and biophysical. The harmful effects include; loss of agriculture lands, pasture and forest, change the pattern of the water, which somehow is associated with the changing patterns of land use and land cover. Land use and land cover changes as a basic factor in the changes of the Environment Act and converted into crisis. Identifying and evaluating the potential land-use patterns is essential, that if done on timely and with the high precision, it can help the planners and managers of relevant organizations for more conscious decision and making optimum use of resources in order to prevent the crisis. That would only be possible with the change detection. The hyperspectral images, due to having high spectral resolution, improved results of changes detection, provide more details of the changes. The main purpose of this research is to improve the process of land-use changes detection using spectral angle mapper algorithm, expectation maximization based on kernel based with hyperspectral imagery. The most important advantage of this method are as follow: unsupervised, no need to setting parameters of the knowledge basis, high precision and low false alarms rate. To evaluate the ability of the proposed method, hyperspectral imagery received from agricultural fields of Hermiston in the United States that captured by Hyperion sensors were used. The results are a significant improvement with the use of the proposed method for change detection in the standard spectral angle-mapping model compared to the top so that the overall accuracy is 94%, the coefficient Kappa 0.84 and false alarm rates of less than 6%.