بررسی کارایی شبکه یادگیری عمیق در شناسایی تغییرات اراضی با استفاده از تصاویر دو زمانه لندست-8

علم سنجش ازدور با به کارگیری تصاویر چند زمانه ماهواره ای، امکان پایش تغییرات در فواصل زمانی مختلف را فراهم کرده است. رویکرد پیکسل مبنا در شناسایی تغییرات توانایی ارائه دقت بالا را ندارد و ازاین رو باید ویژگی های مکانی در کنار ویژگی های طیفی بکار روند. استفاده از روش های سنتی تولید ویژگی مکانی مانند ماتریس هم رخداد با چالش هایی روبه رو است. تولید این ویژگی ها علاوه بر این که وابسته به انتخاب کاربر است، به صورت ناخواسته باعث افزایش فضای ویژگی می گردد. تمرکز اصلی مقاله حاضر در به کارگیری ویژگی های طیفی-مکانی در راستای حل محدودیت روش های سنتی در شناسایی تغییرات می باشد. در این تحقیق، ویژگی های طیفی-مکانی توسط خود شبکه یادگیری عمیق پیشنهادی استخراج شده و در طبقه بندی بکار گرفته شده اند. تصاویر لندست-8، ورودی شبکه بوده و فرایند استخراج ویژگی به صورت سلسله مراتبی صورت گرفته است. بر اساس ویژگی های طیفی-مکانی عمیق تولیدی از لایه های شبکه، خروجی شبکه تصاویر طبقه بندی شده ی قبل و بعد می باشد. درنهایت، بر اساس رویکرد پساطبقه بندی نقشه تغییرات حاصل می گردد. از شبکه پیشنهادی جهت ارزیابی تغییرات شهر سهند با استفاده از تصاویر سنجنده لندست-8 در بین سال های 2013 تا 2021 استفاده شده است. برای اثبات قابلیت شبکه پیشنهادی در به کارگیری ویژگی و طبقه بندی دقیق تصاویر، نتایج حاصل شده با نتایج روش های جنگل تصادفی و شبکه عصبی مصنوعی مقایسه شده است. نتایج شناسایی تغییرات نشان داد که به کارگیری شبکه یادگیری عمیق پیشنهادی دقت کلی شناسایی تغییرات باینری را به ترتیب به میزان 13.88% و 12.80% نسبت به شبکه عصبی مصنوعی و جنگل تصادفی افزایش می دهد. همچنین به کارگیری شبکه پیشنهادی دقت کلی نقشه ماهیت تغییرات را به ترتیب به میزان 57.81% و65.7% در مقایسه با جنگل تصادفی و شبکه عصبی مصنوعی افزایش داده است. روش های جنگل تصادفی و شبکه عصبی مصنوعی علیرغم اینکه توانسته اند محل تغییرات را شناسایی کنند اما در ارائه نوع ماهیت تغییرات عملکرد نامناسبی ارائه کرده اند.

analyzing the efficiency of the deep neural network in detecting urban changes using bi-temporal landsat-8 images

satellite remote sensing images are widely used to monitor the earth's surface phenomena changes at various periods. for accurate change detection, spatial features can be used as the complement information of spectral features. hand-craft spatial features such as the co-occurrence matrix features are inefficient in detecting the changes due to the complex structure of satellite images. in the present study, a deep learning-based model is proposed as the alternative to address the problems of classical change detection methods. deep neural networks are mainly developed for images and hierarchically extracting spatial-spectral features. in this study, landsat-8 images between 2013 and 2021 were used to evaluate the changes in sahand city using the proposed deep network. pre- and post-classified landsat-8 images are produced using a deep neural network in the first stage. in the second stage, for producing the change maps, the post-classification approach is used in that change maps are produced based deference of classified images. finally, the majority voting technique eliminates the noises in change maps. the proposed method results are compared with those obtained by two classical machine learning methods, random forest, and artificial neural networks. according to the change detection results, the proposed deep learning network improves detection accuracy by 13.88% and 12.80% compared with artificial neural networks and random forests. compared to the random forest and artificial neural networks, the proposed network has improved the overall accuracy of the from-to-change maps by 57.81% and 65.7%, respectively. final results demonstrate that although random forest and artificial neural networks have been able to identify the location of changes, they perform poorly in detecting the from-to changes.