شناسایی اتوماتیک تغییرات کاربری/پوشش اراضی از تصاویر سنجش از دور چندزمانه و نقشه‌های قدیمی با پالایش نمونه‌های آموزشی مبتنی بر آزمون خی-دو و خوشه‌بندی k-means

انتخاب نمونه‌های آموزشی، مرحله‌ای بسیار مهم و تاثیرگذار در نتایج طبقه‌بندی و شناسایی تغییرات از تصاویر سنجش از دور بوده و لازم است با حساسیت بالایی انجام گیرد. این نمونه ها اغلب توسط عامل انسانی تعیین می‌شوند که فرآیندی زمان بر بوده و مستعد خطای بالایی است. نقشه‌های قدیمی می توانند منبع اطلاعاتی ارزشمندی برای انتخاب و تهیه نمونه‌های آموزشی باشند. در صورتی که این نمونه‌ها‌ بطور صحیح پالایش شوند، می‌توانند سبب تسریع، تسهیل و همچنین افزایش صحت فرآیند شناسایی تغییرات شوند. نوآوری اصلی مقاله حاضر، اهتمام در فرآیند پالایش نمونه‌ها است که با پیشنهاد مدلی مبتنی بر آزمون آماری خی‌دو و خوشه‌بندی kmeans میسر شده است. این روش ضمن اینکه با بکارگیری آزمون آماری خیدو، سعی در انتخاب نمونه‌های آموزشی خالص دارد، با خوشه‌بندی چندگانه نمونه‌های آموزشی با تکنیک kmeans و انتخاب نمونه‌های نزدیک به مراکز خوشه‌های داخلی هر کلاس، ‌تنوع طیفی داخلی کلاسها را نیز لحاظ می‌نماید. در روش پیشنهادی؛ جهت بهبود صحت طبقه‌بندی و تشخیص تغییرات‌، ویژگی‌های طیفی و بافتی مرتبه اول و دوم ماتریس رخداد همزمان، استخراج و در فرآیند طبقه‌بندی به روش ماشین بردار پشتیبان(svm) مورد استفاده قرار می‌گیرد. لازم به ذکر است به منظور ارتقای صحت طبقه‌بندی و شناسایی تغییرات، فرآیند انتخاب مجموعه ویژگی‌های بهینه و پارامترهای طبقه‌بندی‌کننده svm با الگوریتم ژنتیک بهینه شده‌اند. جهت پیاده‌سازی و ارزیابی روش پیشنهادی، از تصاویر دوزمانه در بازه زمانی 2011 و 2015 و نقشه کاربری اراضی سال 2009 مربوط به شهر شیراز استفاده شد. با بکارگیری روش ارائه شده در این تحقیق، نقشه‌ های موضوعی منطقه مورد مطالعه با صحت کلی 98.72% و 94.57% بهنگام گردیده و با مقایسه آنها، نقشه ماهیت تغییرات حاصل گردید. ارزیابی نتایج نشان داد؛ فرآیند پالایش نمونه‌های آموزشی سبب بهبود نتایج طبقه‌بندی تصویر سال 2011 (افزایش ضریب کاپا از 65% به 87% و افزایش صحت کلی از 73% به 91%) و همچنین تصویر سال 2015 (افزایش صحت کلی از 69% به 86.32% و افزایش ضریب کاپا از 59% به 80.48%) شده است.

Automatic Land Use/Land Cover Change Detection from Multitemporal Remote Sensed Images and Old Maps by Refining of Training Data Based on Chi-Square Test and K-Means Clustering

The training data selection is an important and operative step in the classification and change detection procedure from remote sensing images, which needs to be provided with high sensitivity. These samples are often determined by the human factor, which is a timeconsuming process and prone to high error. Old maps can be a valuable source of information for selecting and preparing training samples. If these samples are accurately refined, they can speed up, facilitate and also increase the accuracy of the change detection process. The main innovation of the present paper is the diligence in the sampling process, which has been made imaginable by proposing a model based on the chisquared statistical test and kmeans clustering. This method, while using Chisquare statistical test, tries to select pure training samples, by selecting samples that are close to the centers of internal clusters in each class with multiple kmeans clustering that takes into account the internal spectral diversity of classes. In this method, the spectral and the first and secondorder of cooccurrence matrix are extracted and used in the support vector machine (SVM) classification process. Furthermore, the feature selection and SVM parameters have been optimized by the genetic algorithm to more improve the classification and change detection accuracy. For implementation, bitemporal satellite images at 2011 and 2015 and land use map of 2009 related to the Shiraz has been employed. Using the proposed method led to update the thematic maps of the study area with an overall accuracy of 98.72% and 94.57%, and a fromto change map. Experimental results showed that the refinement process of the training samples improves the results of the 2011 image classification (increasing the kappa coefficient from 65% to 87% and increasing the overall accuracy from 73% to 91%) as well as the 2015 image (increasing the overall accuracy from 69% to 86.32% and Kappa coefficient has been increased from 59% to 80.48%).