آنالیز سری زمانی تصاویر راداری پایش نیمه‌خودکار در نظارت بر ساخت‌وساز غیرمجاز شهری (منطقه مورد مطالعه: شهرک‌های مهرآوران، اندیشه و فراز یزد)

تخلفات ساختمانی، به‌سبب سطح فراگیر و آثار بلندمدت و پایدارشان در نیم‌رخ شهرها، از مهم‌ترین چالش‌های شهرنشینی نوین محسوب می‌شوند. روش‌های رایج و معمول که امروزه در کنترل ساخت‌وسازها استفاده می‌شود، بسیار زمان‌بر و پرهزینه است. هدف اصلی این پژوهش ارائه چارچوبی نوین به‌منظور برآورد سریع و کم‌هزینه، در آشکارسازی و نظارت بر ساخت‌وسازها و شناسایی ساختمان‌های غیرمجاز شهری، با استفاده از تصاویر ماهواره سنتینل‌ 1 در دوره زمانی 2017 تا 2022 و سیستم‌های اطلاعات مکانی است. بدین‌منظور در مرحله اول، براساس تحلیل و پردازش در نرم‌افزار snap، ضریب پراکنش سیگمانات تصاویر استخراج و به دو طبقه ساختمان و غیرساختمان تفکیک شده و حد آستانه بیشتر از 0.01به‌دست آمده است. سپس، با استفاده از الگوریتم پیکسل‌مبنا، تصویر باینری ساختمان و غیرساختمان به‌صورت صفر و یک تهیه و براساس اختلاف دو تصویر، منطقه‌ای که ساخت‌وساز در آن انجام شده است مشخص شد. پس از آشکارسازی مناطق ساختمانی تغییریافته، با استفاده از الگوریتم‌های طبقه‌بندی حداکثر احتمال و جنگل تصادفی، این مناطق در سه کلاس (ساختمان، در حال ساخت و سایر اراضی) قرار گرفتند و با نقشه برداشت میدانی و پارسل‌های بدون پروانه ارزیابی شدند. نتایج نشان داد تعداد ساختمان‌های بدون پروانه با استفاده از الگوریتم حداکثر احتمال، جنگل تصادفی و برداشت میدانی، به‌ترتیب، 130 و 135 و 48 است؛ همچنین دقت اجرای روش حداکثر احتمال به بیشترین میزان 0.89% و ضریب کاپای 0.83% نسبت‌به روش جنگل تصادفی، با دقت کلی 0.86 و ضریب کاپای 0.81% بوده است.

time series analysis of semi-automatic monitoring radar images in monitoring unauthorized urban construction (the studied area of mehravaran, andisheh and faraz, yazd)

construction violations are considered one of the most important challenges of modern urbanization due to their widespread level and long-term and stable effects on the profile of cities. construction violations are an important issue for municipalities that can threaten building structures in a city. the traditional methods that are used today to control constructions are very time-consuming and expensive. the main goal of this research is to provide a new framework for quick and low-cost estimation, in revealing and monitoring constructions and identifying unauthorized urban buildings using sentinel-1 satellite images in the period from 2017 to 2022 and spatial information systems. for this purpose, in the first step, based on the analysis and processing in snap software, the sigma-notch dispersion coefficient of the images was extracted and separated into two floors of buildings and non-buildings, and a threshold limit of more than 0.01 was obtained. then, by using pixel based algorithm, the binary image of building and non-building was prepared as zero and one, and based on the difference between the two images, the area where the construction was done was determined. after revealing the changed construction areas, they were classified into three classes (building, under construction, and other lands) using maximum likelihood classification algorithms and random forest, and were evaluated with a field survey map and unlicensed parcels. the results showed that the number of unlicensed buildings using the maximum likelihood algorithm, random forest and field sampling is 97,135 and 48, respectively; also, the accuracy of the maximum likelihood method was 0.89% and the kappa coefficient was 0.83% compared to the random forest method with the overall accuracy of 0.86 and the kappa coefficient was 0.81%.