آشکارسازی سطوح نفوذناپذیر شهری با استفاده از ویژگی‌های بافتی تصویر راداری

طرح مسئله: رشد جمعیت شهری و توسعه فیزیکی مداوم شهرها باعث تغییر پوشش طبیعی زمین می‌شود و آن را به پوشش مصنوعی و سطوح نفوذناپذیر تبدیل می‌کند. افزایش چشمگیر این سطوح به پیامدهای منفی در بسیاری از حوزه‌ها می‌انجامد؛ ازجمله افزایش رواناب سطحی و خطر سیل، کاهش میزان تغذیه آب‌های زیرزمینی و تشدید اثر جزیره گرمایی. به این دلایل برآورد دقیق و پایش روند تغییرات این محدوده‌ها ضروری است. در این زمینه داده‌های سنجش از دور، یک راه‌حل مقرون به‌صرفه برای تهیه سطوح نفوذناپذیر و نظارت بر آنهاست. هدف: هدف پژوهش حاضر، شناسایی سطوح نفوذناپذیر شهری با استفاده از تصاویر راداری است. روش: در پژوهش پیش رو ویژگی‌های بافتی ماتریس هم‌رخداد سطوح خاکستری (glcm) با استفاده از روش‌های طبقه‌بندی حداکثر احتمال، شبکه عصبی مصنوعی و ماشین بردار پشتیبان روی تصویر راداری sentinel1 برای تعیین سطوح نفوذناپذیر شهر بندرعباس ارزیابی می‌شود. نتایج: به‌منظور بررسی صحت پردازش‌های انجام‌شده با روش‌های به‌کاررفته، از روش‌های برآورد دقت کل و ضریب کاپا استفاده شد. صحت کلی 97.0، 98.14 و 98.40درصد و ضریب کاپا 0.95، 0.97 و 0.97 به ترتیب برای طبقه‌بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان به دست آمد که نشان‌دهنده مناسب‌بودن روش‌های استفاده‌شده برای آشکارسازی سطوح نفوذناپذیر شهری است. نوآوری: برای استخراج اطلاعات سطوح شهری بیشتر از الگوریتم‌های طبقه‌بندی متداول ویژگی‌های طیفی بهره برده می‌شود. این مسئله باعث می‌شود حجم زیادی از اطلاعات فضایی مفید مانند بافت در طبقه‌بندی تصاویر نادیده گرفته شود. با توجه به اینکه تصاویر sar به مشخصات هندسی سطوح شهری حساس‌اند، می‌توان با استفاده از ویژگی‌های بافتی تصاویر راداری، سطوح نفوذناپذیر شهری را با دقت مناسبی آشکارسازی کرد که تاکنون کمتر به آن توجه شده است.

Detecting Impervious Urban Surfaces using the Textural Properties of Radar Imagery

Urban population growth and the continuous physical development of cities change the natural coverage of the earth and transform it into artificial cover and impervious surfaces. The dramatic increase of these surfaces yields negative consequences in many areas such as increasing surface runoff and flood risk, decreasing groundwater recharge, or intensifying the urban heat island effect. For these reasons, accurate estimation and monitoring of the trend of changes in these ranges is necessary. In this regard, remote sensing data are a costeffective solution for the preparation and monitoring of impervious surfaces. The purpose of this study was to identify impervious urban surfaces using radar images. In the present study, the textural properties of the Gray Level Cooccurrence Matrix (GLCM) were evaluated using maximum likelihood classification methods, artificial neural network, and support vector machine on Sentinel1 radar image to determine impervious surfaces of Bandar Abbas city. The overall accuracy of 97.00%, 98.14%, 98.40% and Kappa coefficient of 0.95, 0.97, and 0.97, respectively, for maximum likelihood classification, artificial neural network, and support vector machine, indicated the appropriateness of the utilized methods for detecting impervious urban surfaces. For extracting urban surface information, spectral feature classification algorithms are mostly used. This causes a large amount of useful spatial information such as texture to be ignored in the classification images. Given that SAR images are sensitive to the geometrical properties of urban surfaces, impervious urban surfaces can be accurately detected by using textural properties of radar imagery, which has not been addressed so far.