ترکیب روش ‏های ادغام تصاویر چندزمانه و طبقه بندی جهت پایش تغییرات دریاچه مهارلو در بازه زمانی پنج ساله (2018 - 2013)

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 روش هایی نیاز است که افزون بر دقت زیاد، شناسایی تغییرات را نیز تسهیل کنند. بنابراین، برای نیل به این هدف، در این تحقیق از روش ه ای ادغام تصاویر چند زمانه و طبقه بندی جهت استخراج تغییرات دریاچه مهارلو بین سال های 2013 تا 2018 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 طبقه‌بندی بر روی تصاویر ادغام شده، مناطق تغییریافته و بدون ‏تغییر استخراج شدند. از روش های ماشین بردار پشتیبان (svm) و حداکثر احتمال (ml) 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 2013 تا 2018 بر اساس روش گرام اشمیت ماشین بردار پشتیبان حدود 163.3 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 99.33 درصد بوده و ضریب کاپای 0.99 را داراست و دارای کمترین خطای نسبی یعنی 3.92 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.

Synergy of multi-temporal image fusion and classification methods for detecting changes in Maharlu Lake over five years (2013-2018)

Introduction: In many studies concerning monitoring the water surface changes, multitemporal images are separately analyzed and after extracting water boundaries in each image, these boundaries are compared and the changes are determined. Nevertheless, there is a demand for methods that can perform accurately as well as facilitating the identification of changes. Therefore, to this end, in this research synergy of multitemporal image fusion methods and classification methods was investigated detect surface water changes in Maharlu Lake between 2013 and 2018. Material and methods: After performing the necessary preprocessing, the GramSchmidt (GS) and Principal Component Analysis (PCA) methods were applied to fuse images and, then, changed and unchanged areas were extracted through applying classification methods to the fused images. Support Vector Machine (SVM) and Maximum Likelihood (ML) were used to classify fused images. In the next step, combinations of these methods were compared to each other and the best pair was extracted. Finally, the selected pair was compared with conventional change detection methods. Results and discussion: The results showed that based on the GSSVM methods, the Maharlu Lake retreated about 163.3 km2 from 2013 to 2018. For accuracy assessment of the methods, the overall accuracy and Kappa coefficient were calculated. The GSSVM method had an overall accuracy of 99.33%, Kappa coefficient of 0.99 and a relative error of 3.92 km2 . This pair detected changes more accurately and the results were closer to reality. In the next step, the water surface was extracted from the images using conventional change detection methods, such as image differencing, band rationing, and NDVI differencing, and their results were compared to that of the GSSVM. According to the results, the GSSVM compared with other methods had higher overall accuracy and Kappa coefficient, and simultaneously, the least relative error. Conclusion: The results of this study showed that a combination of the GS image fusion method and SVM classifier provides satisfactory results to extract changes from multitemporal images. This synergy can be used as an effective tool for detecting changes, particularly since fusing images can also be effective in improving classification accuracy by enhancing the spatial resolution of images.