پیش‌بینی توسعه شهری با استفاده از تصاویر ماهواره‌ای سنتینل به روش شبکه عصبی

پژوهش حاضر با به‌کارگیری فن سنجش از دور و شبکه عصبی به مدل سازی توسعه شهر رشت آن پرداخته است. بدین منظور با تهیه تصاویر ماهواره های لندست و سنتینل به بررسی تغییرات کاربری های رشت پرداخته شده است. با توجه به ارتقای قدرت تفکیک طیفی و مکانی تصاویر سنتینل در مقایسه با لندست به نظر می رسد شاهد افزایش دقت در روند پردازش تصاویر و پایش تغییرات زمانی باشیم. تولید نقشه ها از تصاویر با ترکیب چندین روش طبقه‌بندی در قالب یک درخت تصمیم گیری انجام شده که بهترین نتیجه متعلق به تصویر سنتینل با دقت کاپای 0.92 بوده است. برای مدل سازی توسعه شهر از تصاویر لندست سال های 2000 و 2011 در قالب شبکه عصبی استفاده شده است. سپس توسط مدل تولید شده، نقشه سال 2017 پیش بینی شده است. میزان تطابق نقشه پیش بینی شده با نقشه مرجع سال 2017 محاسبه و معیارهای دقت کلی و ضریب کاپا به ترتیب 0.9113 و 0.8422 به‌دست آمده است. در نهایت با دقت های قابل قبول، روش ارائه شده برای پیش‌بینی نقشه سال 2025 استفاده شده است.

Urban Growth Prediction using Sentinel Satellite Images by Neural Network Method

This research aimed to study urban growth modeling of Rasht city using remote sensing and neural network techniques. To this purpose, land use changes have been detected by analyses of Landsat and sentinel images. Due to improvement of spectral and spatial resolutions of sentinel images compared with Landsat ones, it seems to observe improvements in the accuracy of image processing and monitoring of temporal changes. Map production from images was carried out by combining several classification methods using a decision tree approach and achieving best results from the Sentinel image with the Kappa coefficient of 0.92. For growth urban modeling, the images captured in years 2000 and 2011 were used in a neural network. In order to validate the model, the 2017 map was predicted using the generated model. The matching of the predicted map with the 2017 reference map based on the overall accuracy and Kappa coefficients was 0.9113 and 0.8422, respectively. Finally, according to efficiency of the model, the proposed method was used to predict the 2025 map.