ارائه یک رویکرد ترکیبی برپایه ی تئوری مجموعه ناهموار- درخت تصمیم در پایش تغییرات کاربری اراضی با استفاده از تصاویر سنجنده ی tm (مطالعه موردی: شهرستان شوشتر)

با پیشرفت علم و تکنولوژی، حجم زیادی از داده‌های فضایی و غیرفضایی در پایگاه داده‌های بزرگ ذخیره می‌شوند. تحلیل این داده‌ها به منظور تصمیم‌گیری نیاز به داده کاوی فضایی را بطور جدی برای کشف دانش ضروری می‌سازد. بکارگیری تصاویر ماهواره‌ای، تحلیل زمین آماری و انواع داده‌های فضایی در مطالعات پایش تغییرات کاربری اراضی ابزاری مفید و کاربردی هستند؛ اماآنچه در این میان مهم است استخراج قواعد دقیق بواسطه ادغام مقادیر داده‌های زیاد به منظور فراهم ساختن دانش درباره قلمرو مورد بحث است. تئوری مجموعه ناهموار (rst) یکی از تکنیک‌های داده کاوی است که بطرق گوناگون در مدلسازی عدم قطعیت در داده‌ها استفاده می‌گردد. از اینرو در این پژوهش، روش کشف دانش rst بمنظور استخراج قواعد در ترکیب با الگوریتم درخت تصمیم (dt) برای طبقه‌بندی تصاویر ماهواره‌ای و پایش تغییرات کاربری اراضی مورد استفاده قرار می‌گیرد. نتایج تحقیق حاکی از آن است که با توجه به تغییرات بوقوع پیوسته طی سه دوره زمانی 6891 (5631)، 8991 (7731) و 4102 (3931) می‌توان دریافت که تغییرات افزایشی و کاهشی چشمگیری بترتیب در اراضی ساخت شده و پهنه‌های آبی اتفاق افتاده است؛ در حالیکه اراضی کشاورزی تغییرات چندانی نداشته است. البته با توجه به سال پایه (6891) می توان بیان داشت که سطح زیرکشت اراضی کشاورزی منطقه نسبت به سال پایه که همزمان با جنگ تحمیلی بوده است تغییرات اندکی را شاهد بوده و این یعنی که طی سه دهه گذشته سطح زیرکشت به مانند دوره جنگ تحمیلی است. این امر بیانگر بحرانی است که در بخش کشاورزی در حال اتفاق افتادن است. همچنین نتایج به لحاظ متدولوژی با توجه به صحت کلی و آماره کاپا حاصل از مدل ترکیبی  dtrst می‌توان گفت که rst ابزاری قدرتمند در داده کاوی، تقلیل داده‌های زائد از پایگاه داده‌ها و استخراج قواعد برای بکارگیری در روش dtمی‌باشد.

A hybrid approach based on rough sets theorydecision tree for land use changes monitoring using TM images (Case study: Shushtar City)

With the development of science and technology, the tremendous amount of spatial and nonspatial data have been stored in large data bases. Analyzing these data for decision is seriously in need of spatial data mining and knowledge discovery to provide knowledge. Using satellite images, geostatistical analysis, and all kind of spatial data are useful and applicable tools in land use changes monitoring; but what’s important among them is how to extract rules throughout big data for knowledge discovery. Rough Set Theory (RST)is one of data mining techniques which is applied for uncertainty modeling in different ways. Hence, this paper applies an integrated method of RSTDT for satellite images classification and land use changes monitoring. The RST algorithm is used in order to extract reasonable rules.From the results of research, regardless of the changes occurred during three periods (19861998, 19982014 and 19862014) can be found that the land use changes has drastically occurred into residential and water bodies classes by the rate of increasing and decreasing, respectively. Compared to former classes, farm lands have changed a little during the periods. With respect to the base year (1986 or 1365), the area of agricultural lands compared to the base year, coincided with the war period, has shown little changes. This means currently the area of agricultural lands is similar that of during the war. It could be attributed to a tragedy that has been happening in the agricultural sector. Accuracy and Kappa ratio from hybrid model of DTRST display the RST as a powerful tool in data mining, to reduce superfluous data from the database and extracting rules in order to apply in DT method.