تشخیص بدون‌ نظارت تغییرات آب، خاک و پوشش گیاهی با تحلیل تصاویر سنجش از دور اپتیک چندسنسوری مبتنی بر تبدیل تسلدکپ

طی دو قرن اخیر، مداخلۀ گستردۀ انسان در طبیعت منجر به بروز تغییرات قابل توجهی در منابع آب، خاک و پوشش گیاهی سطح زمین شده است. هرچند تحلیل تصاویر سنجش از دور چندزمانه پایش مداوم این تغییرات را فراهم کرده است، ولی یکی از چالش‌های مهم در این حوزه، شیوۀ استفاده از تصاویر چندسنسوری است. هدف پژوهش حاضر، ارائۀ روشی برای شناسایی تغییرات آب، خاک و پوشش گیاهی سطح زمین با تصاویر سنجش‌از‌دور چندسنسوری است. در این راستا، مولفه‌های بیوفیزیکی جدیدی برای سنجندۀ sentinel2b تعریف شده و یک روش نوین بدون ‌‌نظارت برای تشخیص تغییرات باینری و چندگانه توسعه داده شده است. برای ارزیابی روش پیشنهادی از تصاویر سنجنده‌های landsat8 oli و sentinel2b حاشیۀ جنوب ‌غربی دریاچۀ ارومیه استفاده شد. در روش پیشنهادی؛ ابتدا تعمیم‌پذیری پارامترهای تبدیل tasseled cap (tc) بررسی شده و تبدیل  tcجدیدی برای سنجندۀ sentinel2b برآورد شد. بعد از اعمال tc، تصاویر از فضای چندطیفی به فضای بیوفیزیکی انتقال یافته و با روش پیرایش تکراری چندمتغیرۀ پیشنهادی، نقشۀ باینری تغییرات منطقه تولید شد. در ادامه با استفاده از تکنیک خوشه‌بندی fcm نمونه‌های تغییریافته به تعداد مشخصی خوشه که تعداد آنها با معیار wsji تعیین می‌شود و یکی از نوآوری‌های پژوهش حاضر است، تفکیک شدند. معیارهای صحت کلی، خطای ازدست‌رفته و هشدار اشتباه در روش پیشنهادی به‌ترتیب برابر92/06، 9/62‌ و 6/27 است که بیانگر کارایی زیاد روش پیشنهادی است. روش ارائه‌شده در این مقاله می‌تواند به عنوان یک تکنیک بدون‌ نظارت، دقیق و قابل اعتماد برای تشخیص تغییرات آب، خاک و پوشش گیاهی سطح زمین مورد استفاده قرار گیرد.

unsupervised change detection of water, soil and vegetation covers using multi-sensor remote sensing images based on tasseled cap transformation

over the last two centuries, natural hazards and widespread human activities have led to significant changes in water, soil, and vegetation covers. although, multi-temporal remote sensing (rs) images provide continuous monitoring of changes in land surface, one of the most important challenges is applying multi-sensor images to detect land cover changes in unsupervised flow. this study aims to provide a method for changes detection in water, soil, and vegetation covers within multi-sensor rs images. in this regard, new biophysical parameters have been defined for the sentinel2b sensor, as well as a new unsupervised method for binary and multiple changes detection has been developed. landsat8 oli and sentinel2b images of the southwestern shore of the urmia lake were used to evaluate this method. in the proposed method; first, the generalizability of the tasseled cap (tc) transformation was investigated and a new tc transformation for the sentinel2b sensor was estimated. after tc, the images were transferred from multispectral feature space to biophysical feature space, and a binary changes map was generated using the proposed multivariate iterative trimming method. then, via fcm clustering, the changed samples were separated into a certain number of clusters determined by the wsji criterion which is one of the innovations of the proposed method. overall accuracy, missed error, and false alarm of the proposed approach are %92.06, %9.62, and %6.27, respectively. the proposed method in this paper can be used as an unsupervised, accurate, and reliable technique for changes detection in water, soil, and vegetation covers.