تشخیص تغییرات شهری بر پایه تصاویر راداری (SAR) و مقایسه ی الگوریتم های یادگیری ماشین: مطالعه ی موردی شهرستان پردیس

در این تحقیق، روش های نظارت شده ی مبتنی بر تصاویر راداری Sentinel-۱ برای تشخیص تغییرات شهری در شهرستان پردیس بررسی و مقایسه شدند. داده های مورد استفاده شامل زوج تصاویر با قطبش های VH و VV از دو بازه ی زمانی ۲۰۱۹ و ۲۰۲۲ می باشند. پیش پردازش شامل کالیبراسیون رادیومتریک، فیلتر Lee به منظور کاهش اسپکل و بهبود کنتراست انجام شد. از مجموعه ای از ویژگی ها شامل ویژگی های باندی، شش ویژگی بافتی استخراج شده بر مبنای ماتریس رخداد هم زمان (GLCM) شامل میانگین، واریانس، همگنی، کنتراست، آنتروپی، ناهمسانی و ویژگی های ارتفاعی شامل ارتفاع، شیب و جهت استفاده گردید. دو طبقه بندی یادگیری ماشین یعنی شبکه ی عصبی مصنوعی (Artificial Neural Network, ANN) و جنگل تصادفی (Random Forest, RF) برای تولید نقشه های کاربری و استخراج نقشه ی تغییر بین دو دوره آموزش و ارزیابی شدند. نتایج نشان دادند که افزودن ویژگی های بافتی و ارتفاعی به طور قابل توجهی دقت طبقه بندی را بهبود می بخشد؛ به گونه ای که روش جنگل تصادفی با ترکیب ویژگی ها بالاترین دقت کلی (حدود ۹۹٫۵–۹۹٫۷٪) را کسب نمود، در حالی که شبکه ی عصبی به دلیل نیاز به داده ی آموزشی بیشتر و حساسیت ساختاری، دقت کمتری (در بازه ی تقریبا ۶۱–٪۹۰ بسته به مجموعه ی ویژگی ها) نشان داد. نقشه ی تغییر تولیدشده توسط Random Forest بیشترین تطابق با واقعیت زمینی داشت. در پایان پیشنهاد می شود تعمیم پذیری روش ها با استفاده از مجموعه های زمانی گسترده تر، اعتبارسنجی مکانی و بررسی مدل های یادگیری عمیق ارتقا یابد.

کلیدواژه ها:

سنجش از دور راداری ، تشخیص تغییرات شهری ، جنگل تصادفی ، شبکه عصبی مصنوعی ، ویژگی های بافتی و ارتفاعی