آشکارسازی تغییرات مناطق شهری مبتنی بر شبکه‌های عصبی، ویژگی‌های مکانی و الگوریتم ژنتیک با استفاده از تصاویر ماهواره‌ای بزرگ‌مقیاس

آشکارسازی تغییرات پوشش اراضی برای پایش رشد شهرها و برنامه‌ریزی مسیولانه در مورد آنها امری ضروری است. سنجش‌ از دور فناوری قدرتمندی است که می‌توان از آن در آشکار‌‌سازی تغییرات اراضی استفاده کرد. یکی از چالش‌های موجود در این زمینه توسعه روش‌‌های کارآمد به‌منظور آشکار‌سازی تغییرات با سطح خودکارسازی بالاست که بتواند اطلاعاتی صحیحی در مورد موقعیت جغرافیایی و ماهیت این تغییرات ارایه کند. در پژوهش حاضر با استفاده از دو تصویر geoeye منطقه 17 شهر تهران مربوط به سال‌های 2004 و 2010 از ویژگی‌های مکانی متن تصویر، شبکه‌های عصبی و الگوریتم ژنتیک برای آشکار‌سازی تغییرات استفاده شد. شش حالت مختلف، هریک با دو رویکرد طبقه‌بندی مستقیم چندزمانی و مقایسه پس از طبقه‌بندی، از دیدگاه صحت آشکارسازی و زمان اجرای الگوریتم مورد مقایسه قرار گرفتند. بررسی‌های انجام‌شده نشان دادند که رویکرد طبقه‌بندی مستقیم چندزمانی در هر شش حالت نتایج بهتری ارایه کرده است. همچنین در بین شش حالت بررسی‌شده، عملکرد حالت ششم (روش پیشنهادی این تحقیق) از نظر صحت طبقه‌بندی بهتر است. در حالت ششم پس از انتخاب بهینه ویژگی‌ها، طبقه‌بندی مبتنی بر شبکه‌های عصبی با تعیین معماری شبکه و با چندین بار اجرا صورت می‌گیرد. هرچند زمان اجرای این روش درمقایسه با دیگر حالت‌های بررسی‌شده بیشتر است، اما درصورتی‌که صحت طبقه‌بندی به زمان ارجحیت داشته باشد این روش کاملاً توصیه می‌شود.