ترکیب روش های ادغام تصاویر چندزمانه و طبقه بندی جهت پایش تغییرات دریاچه مهارلو در بازه زمانی پنج ساله (۲۰۱۸ - ۲۰۱۳)

سابقه وهدف: در بسیاری از تحقیق ­ها برای پایش تغییرات سطح آب ابتدا تصاویر چندزمانه به ­طور مجزا تحلیل می­ شوند و پس از استخراج محدوده آب، این محدوده­ ها با یکدیگر مقایسه شده و میزان تغییرات مشخص می گردد. با وجود این، به ­روش­هایی نیاز است که افزون بر دقت زیاد، شناسایی تغییرات را نیز تسهیل کنند. بنابراین، برای نیل به این هدف، در این تحقیق از روش­ه ای ادغام تصاویر چند زمانه و طبقه­ بندی جهت استخراج تغییرات دریاچه مهارلو بین سال­ های ۲۰۱۳ تا ۲۰۱۸ استفاده می شود. مواد و روش ­ها: پس از انجام پیش پردازش های لازم، از دو روش گرام – اشمیت و تبدیل مولفه ­های اصلی برای ادغام تصاویر استفاده شد و با اعمال روش ­های طبقه بندی بر روی تصاویر ادغام شده، مناطق تغییریافته و بدون تغییر استخراج شدند. از روش ­های ماشین بردار پشتیبان (SVM)۲ و حداکثر احتمال (ML)۳ برای طبقه بندی تصاویر ادغام شده استفاده گردید. در مرحله بعد، ترکیب این روش ها با یکدیگر مقایسه شده و بهترین ترکیب دوتایی استخراج گردیده است. در نهایت، روش انتخاب شده در این تحقیق با روش های مرسوم پایش تغییرات مقایسه شد. نتایج و بحث: پس از مقایسه نتایج مشخص شد که دریاچه مهارلو از سال ۲۰۱۳ تا ۲۰۱۸ بر اساس روش گرام اشمیت - ماشین بردار پشتیبان حدود ۱۶۳.۳ کیلومتر عقب نشینی داشته است. بمنظور ارزیابی صحت نتایج، از صحت کلی و سنجه کاپا استفاده شد. با توجه به نتایج به ­دست آمده، روش گرام اشمیت - ماشین بردار پشتیبان دارای صحت کلی ۹۹.۳۳ درصد بوده و ضریب کاپای ۰.۹۹ را داراست و دارای کمترین خطای نسبی یعنی ۳.۹۲ کیلومترمربع می باشد و نسبت به روش های دیگر تغییرات را بهتر نشان می دهد و نتایج آن به واقعیت زمینی نزدیکتر است. در مرحله بعد، سطوح آب با استفاده از روش های مرسوم آشکارسازی تغییرات مانند روش تفاضل تصاویر، نسبت گیری باندی و تفاضل سنجه پوشش گیاهی از تصاویر استخراج شد و با نتایج حاصل از روش گرام اشمیت - ماشین بردار پشتیبان مورد مقایسه قرار گرفت. با توجه به نتایج گرفته شده، روش گرام اشمیت - ماشین بردار پشتیبان نسبت به روش های دیگر دارای صحت کلی و ضریب کاپای بالاتر و در عین حال کمترین خطای نسبی می باشد. نتیجه­ گیری: نتایج این تحقیق نشان می ­دهد که روش گرام- اشمیت برای ادغام تصاویر و ماشین بردار پشتیبان برای طبقه بندی، نتایج مطلوبی در استخراج تغییرات در تصویر داشته است. این روش می تواند به­ عنوان ابزاری موثر در پایش تغییرات مورد استفاده قرار گیرد، بویژه اینکه، ادغام تصاویر به­ دلیل بالا بردن قدرت تفکیک تصاویر می تواند در بالا بردن دقت طبقه بندی نیز موثر باشد.

کلیدواژه ها:

گرام - اشمیت ، تبدیل مولفه های اصلی ، ماشین بردار پشتیبان ، حداکثر احتمال ، آشکارسازی تغییرات