استخراج تغييرات ناحيه حاشيه شهري با استفاده از طبقهبندي و قطعهبندي تصاوير ماهوارهاي با قدرت تفکيک بالا بر مبناي تحليل در سيستمهاي اطلاعات جغرافيايي

19,900تومان

توضیحات

دانلود و مشاهده قسمتی از متن کامل پایان نامه :

دانشگاه اصفهان
دانشکده فني و مهندسي
گروه مهندسي نقشه برداري

پايان نامهي کارشناسي ارشد رشتهي مهندسي نقشه برداري
گرايش سنجش از دور

استخراج تغييرات ناحيه حاشيه شهري با استفاده از طبقهبندي و قطعهبندي تصاوير ماهوارهاي با قدرت تفکيک بالا بر مبناي تحليل در سيستمهاي اطلاعات جغرافيايي

چکيده

به ‌روزآوري پايگاه‌هاي داده زميني در محيط شهري کاري سخت و پر هزينه مي‌باشد. تکنيک‌هاي سنجش از دور ماهواره‌اي به طور وسيعي در استخراج و کنترل تغيير پوشش زمين در مقياس‌هاي مختلف مورد استفاده قرار گرفته‌اند که منجر به ايجاد نتايج مفيدي شده‌اند. انجام اين کار به کمک روشهاي استخراج اتوماتيک تغيير آسان‌تر مي شود. از طرف ديگر براي استخراج تغيير به شکل اتوماتيک دو استراتژي وجود دارد: مقايسه تصوير با نقشه و مقايسه تصوير با تصوير. روشهاي استخراج تغيير اکثرا بر اساس مقايسه تصوير با تصوير هستند. در مقايسه تصوير با نقشه از نقشه موجود جهت پيدا کردن نواحي تغيير کرده در تصويري که اخيرا به دست آمده, استفاده مي‌شود. جهت استخراج تغييرات مي‌توان از دو شيوه پيکسل مبنا و شي مبنا استفاده کرد. تکنيک‌هاي پيکسل مبنا, روشهاي سنتي آناليز تصوير هستند و روند کار آنها به اين صورت است که تفاوت‌هاي عوارض گوناگون را جستجو مي‌کنند. اطلاعات تماتيک مورد نظر از اين تفاوت‌ها, استخراج مي‌شود. در بسياري از کاربردها، نياز به استخراج عوارضي است که از پيکسل‌هاي چندگانه تشکيل شده‌اند از جمله اين عوارض جاده‌ها, ساختمان‌ها و غيره هستند. براي استخراج اين عوارض نياز به طبقه‌بندي گروهي پيکسل‌هاي نزديک به يکديگر است. در واقع در اينجا به جاي استخراج پيکسل نياز به استخراج شي وجود دارد. شي‌ها مي‌توانند صدها ويژگي داشته باشند, مثل شکل, اندازه, پاسخ طيفي و غيره که اين ويژگي‌ها مي‌توانند براي آناليز تصوير استفاده شوند. شي‌ها تعدادي ويژگي دارند که فقط در روشهاي شي مبنا از آنها مي‌توان استفاده کرد. براي استخراج عوارض نامشخص بايد از اطلاعات اضافي مثل شکل و اندازه سايه‌ها استفاده کرد که دراشياء, اين موارد را مي‌توان پيدا کرد. در اين پژوهش يک روش جديد بر اساس شيوه‌هاي شي مبنا, جهت استخراج اتوماتيک تغييرات ساختمان‌ها در محيط‌هاي شهري از تصاويري با قدرت تفکيک بالا و استفاده از پايگاه داده زميني موجود ارائه مي‌شود. روش مورد نظر از چند مرحله تشکيل شده است. در ابتدا پايگاه داده زميني موجود از ساختمان‌ها و ديگر شي‌هاي شهري مدل مي‌شوند. سپس تصوير قطعه‌بندي مي‌شود. در ادامه تصوير قطعه‌بندي شده با استفاده از پايگاه داده موجود مورد آناليز قرار مي‌گيرد تا به اين ترتيب موقعيت قطعاتي که احتمالا تغيير ساختمان در آن رخ داده است شناسايي شود. در نهايت قوانين استخراج تغيير بر روي قطعات معين شده آزمايش مي‌شوند و به اين صورت قطعاتي که ساختمان‌هاي تغيير کرده را ارائه مي‌دهند, مشخص گردند. در قسمت دوم اين مطالعه, به جاي قطعه‌بندي تصوير از روشهاي مختلف دسته بندي استفاده شده است. از طرف ديگر در اجراي الگوريتم بايد از ويژگي‌هايي استفاده شود که متناسب با منطقه بوده و منجر به نتايج قابل قبول شود. در اين مطالعه از ويژگي‌هاي مختلف هندسي, بافتي و طيفي استفاده شد. الگوريتم مورد نظر در سه منطقه مورد آزمايش قرار گرفت. منطقه اول شامل 15 شي بود و تغييرات زيادي در اين منطقه رخ نداده بود. منطقه دوم شامل 7 شي بود و عاري از تغيير بود. و در نهايت در منطقه سوم, 36 شي وجود داشت که نسبت به دو منطقه قبلي تغييرات بيشتري داشت. نتيجه روش پيشنهادي در هر سه منطقه قابل قبول بود و اکثر تغييراتي که در اين مناطق به وقع پيوسته بودند, توسط اين روش استخراج شدند. الگوريتم پيشنهادي تعدادي نقاط ضعف نيز دارد. اين روش در استخراج حد فاصل دقيق بين ساختمان‌ها محدوديتهايي دارد. از طرف ديگر تعدادي از ساختمان‌هاي قديمي توسط اين روش به عنوان ساختمان جديد شناسايي شدند. از نکات ديگري که بايد به آن اشاره کرد, بافت منطقه مورد مطالعه مي‌باشد. داده‌هايي که در اينجا مورد استفاده قرار مي‌گيرند, مربوط به حاشيه جنوبي شهر اصفهان هستند. ساختمان‌ها به شکل بلوک‌هاي کاملا پيوسته در اين منطقه به چشم مي‌خورند. از طرف ديگر نوع تصوير ماهواره‌اي که براي اجراي عمليات از آن استفاده مي‌شود, نيز مهم است. قدرت تفکيک مکاني تصوير در استخراج تغييرات نقش مهمي دارد. در اين تحقيق از يک تصوير Quickbird كه در سال 2008 به دست آمده و همچنين نقشه 2000/1 سال 1375 شهر استفاده شده است.
كليد واژه: استخراج تغييرات شهري, سنجش از دور, کلاس‌بندي و قطعه‌بندي تصوير, سيستمهاي اطلاعات جغرافيايي, قانون مبنا.

فهرست مطالب

عنوان صفحه

فصل اول: مقدمه
1-1-مسأله پژوهش 1
1-2-تاريخچه و تحليل سوابق کار 4
1-3- اهداف تحقيق 10
1-4-ساختار پايان‌نامه 11
فصل دوم: داده‌ها
2-1- معرفي داده‌ها 12
2-2-پيش پردازش داده‌ها 20
فصل سوم: روش کار
3-1-مدلسازي 24
3-1-1-تعريف کلاسهاي شي و ويژگي‌هاي آنها 24
3-1-2-انتقال بين کلاسها 25
3-1-3-تبديل اطلاعات به قوانين 25
3-2-روش‌هاي قطعه‌بندي 27
3-2-1-روش K-means 28
3-2-2-روش رشد ناحيه 28
3-3-آموزش 29
3-3-1-آموزش ويژگي‌هاي طيفي ‌ساختمان‌ها‌ 29
3-3-2-آموزش ويژگي‌هاي هندسي‌ ساختمان‌ها‌ 29
3-3-3-آموزش ويژگي‌هاي بافتي ‌ساختمان‌ها‌ 29
3-4-استخراج تغيير ساختمان‌ها‌ 30
3-5-طبقه‌بندي نظارت نشده 33
3-6-طبقه‌بندي نظارت شده 37
3-7-طبقه‌بندي نظارت شده قانون مبنا 38
عنوان صفحه

3-8- طبقه‌بندي ترکيبي بر مبناي پس پردازش GIS 39
فصل چهارم: نتايج
4-1-نتايج الگوريتم‌هاي قطعه‌بندي 40
4-2-نتايج روش دسته‌بندي نظارت شده 42
4-3-نتايج روش دسته‌بندي نظارت نشده 48
4-4-نتايج روش دسته‌بندي قانون مبنا نظارت شده 53
4-5-نتايج روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS 57
فصل پنجم: نتيجه گيري
منابع و مآخذ 66

فهرست شكل‌ها

عنوان صفحه

شکل 2-1: تصوير ناحيه اول انتخابي از حاشيه جنوبي شهر اصفهان که توسط سنجنده Quickbird در سال 2008 تهيه شده است. 13
شکل 2-2: تصوير ناحيه دوم انتخابي از حاشيه جنوبي شهر اصفهان که توسط سنجنده Quickbird در سال 2008 تهيه شده است. 14
شکل 2-3: تصوير ناحيه سوم انتخابي از حاشيه جنوبي شهر اصفهان که توسط سنجنده Quickbird در سال 2008 تهيه شده است. 14
شکل 2-4: نقشه لايه ساختمان‌ها‌ي ناحيه اول انتخابي از حاشيه جنوب شهر اصفهان در سال 1375 15
شکل 2-5: نقشه لايه ساختمان‌ها‌ي ناحيه دوم انتخابي از حاشيه جنوب شهر اصفهان در سال 1375 15
شکل 2-6: نقشه لايه ساختمان‌ها‌ي ناحيه سوم انتخابي از حاشيه جنوب شهر اصفهان در سال 1375 16
شکل 2-7: تصوير حاصل از زمين مرجع کردن نقشه و تصوير منطقه اول 21
شکل 2-8: تصوير حاصل از زمين مرجع کردن نقشه و تصوير منطقه دوم 21
شکل 2-9: تصوير حاصل از زمين مرجع کردن نقشه و تصوير منطقه سوم 22
شکل 2-10 :تصوير شي مورد نظر در ناحيه اول انتخابي 23
شکل 3-1: الگوريتم روش پييشنهادي جهت استخراج تغيير ساختمان‌ها‌ 32
شكل 3-2: الگوريتم طبقه‌بندي نظارت نشده به روش ترتيبي اصلاح شده 36
شکل 4-1: تصوير ناحيه اول انتخابي از حاشيه جنوبي شهر اصفهان که توسط سنجنده Quickbird در سال 2008 تهيه شده است. 43
شکل 4-2:ساختمان‌هاي جديد استخراج شده با روش نظارت شده در ناحيه اول 44
شکل4-3:ساختمان‌هاي جديد موجود و استخراج شده با روش نظارت شده در ناحيه اول 44
شکل 4-4: تصوير ناحيه دوم انتخابي از حاشيه جنوبي شهر اصفهان که توسط سنجنده Quickbird در سال 2008 تهيه شده است. 45
شکل 4-5:ساختمان‌هاي جديد استخراج شده با روش نظارت شده در ناحيه دوم 46
شکل 4-6: تصوير ناحيه سوم انتخابي از حاشيه جنوبي شهر اصفهان که توسط سنجنده Quickbird در سال 2008 تهيه شده است. 47
شکل 4-7:ساختمان‌هاي جديد استخراج شده با روش نظارت شده در ناحيه سوم 47
عنوان صفحه

شکل4-8:ساختمان‌هاي جديد موجود و استخراج شده با روش نظارت شده در ناحيه سوم 48
شکل 4-9:ساختمان‌هاي جديد استخراج شده با روش نظارت نشده در ناحيه اول 49
شکل4-10:ساختمان‌هاي جديد موجود و استخراج شده با روش نظارت نشده در ناحيه اول 50
شکل 4-11:ساختمان‌هاي جديد استخراج شده با روش نظارت نشده در ناحيه دوم 51
شکل 4-12:ساختمان‌هاي جديد استخراج شده با روش نظارت نشده در ناحيه سوم 52
شکل4-13:ساختمان‌هاي جديد موجود و استخراج شده با روش نظارت نشده در ناحيه سوم 52
شکل 4-14:ساختمان‌هاي جديد استخراج شده با روش نظارت شده قانون مبنا در ناحيه اول 54
شکل 4-15:ساختمان‌هاي جديد موجود و استخراج شده با روش نظارت شده قانون مبنادر ناحيه اول 54
شکل 4-16:ساختمان‌هاي جديد استخراج شده با روش نظارت شده قانون مبنا در ناحيه دوم 55
شکل 4-17:ساختمان‌هاي جديد استخراج شده با روش نظارت شده قانون مبنا در ناحيه سوم 56
شکل 4-18:ساختمان‌هاي جديد موجود و استخراج شده با روش نظارت شده قانون مبنا در ناحيه سوم 57
شکل 4-19:ساختمان‌هاي جديد استخراج شده با روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS در ناحيه اول 59
شکل 4-20:ساختمان‌هاي جديد استخراج شده با روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS در ناحيه دوم 60
شکل 4-21:ساختمان‌هاي جديد استخراج شده با روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS در ناحيه سوم 61

فهرست جدول ها

عنوان
صفحه
جدول 1-1:معرفي ويژگي‌هاي شي‌ها 8
جدول 2-1: مشخصات مناطق انتخابي جهت استخراج تغييرات ساختمان‌ها‌ 13
جدول 2-2:معرفي ارتفاع و قدرت تفکيک مکاني باندهاي طيفي گوناگون براي تعدادي از سنجنده‌ها 18
جدول 4-1:ماتريس خطاي ناحيه اول در روش‌هاي قطعه‌بندي 41
جدول 4-2:ماتريس خطاي ناحيه دوم در روش‌هاي قطعه‌بندي 41
جدول 4-3:ماتريس خطاي ناحيه سوم در روش‌هاي قطعه‌بندي 41
جدول 4-4: المان‌هاي ماتريس خطا براي 3 ناحيه در روش‌هاي قطعه‌بندي 42
جدول 4-5:ماتريس خطاي ناحيه اول به روش دسته‌بندي نظارت شده 43
جدول 4-6:ماتريس خطاي ناحيه دوم در روش دسته‌بندي نظارت شده 45
جدول 4-7:ماتريس خطاي ناحيه سوم در روش دسته‌بندي نظارت شده 46
جدول 4-8: المان‌هاي ماتريس خطا براي 3 ناحيه در روش دسته‌بندي نظارت شده 48
جدول 4-9:ماتريس خطاي ناحيه اول در روش دسته‌بندي نظارت نشده 49
جدول 4-10:ماتريس خطاي ناحيه دوم در روش دسته‌بندي نظارت نشده 50
جدول 4-11:ماتريس خطاي ناحيه سوم در روش دسته‌بندي نظارت نشده 51
جدول 4-12: المان‌هاي ماتريس خطا براي 3 ناحيه در روش دسته‌بندي نظارت نشده 53
جدول 4-13:ماتريس خطاي ناحيه اول در روش دسته‌بندي نظارت شده قانون مبنا 53
جدول 4-14:ماتريس خطاي ناحيه دوم در روش دسته‌بندي نظارت شده قانون مبنا 55
جدول 4-15:ماتريس خطاي ناحيه سوم در روش دسته‌بندي نظارت شده قانون مبنا 56
جدول 4-16: المان‌هاي ماتريس خطا براي 3 ناحيه در روش دسته‌بندي نظارت شده قانون مبنا 57
جدول 4-17:ماتريس خطاي ناحيه اول در روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS در ناحيه اول 58
جدول 4-18:ماتريس خطاي ناحيه دوم در روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS در ناحيه دوم 59
جدول 4-19:ماتريس خطاي ناحيه سوم در روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS در ناحيه سوم 60
جدول 4-20: المان‌هاي ماتريس خطا براي 3 ناحيه در روش دسته‌بندي ترکيبي بر مبناي پس پردازش GIS 61

فصل اول
مقدمه

1-1- مسأله پژوهش

شهرسازي يک فرآيند اجتناب ناپذير است که در نتيجه رشد سريع جمعيت و توسعه اقتصادي، اجتماعي به وجود ميآيد. حضور انسانها در مناطق شهري پر جمعيت به خصوص در کشورهاي در حال توسعه باعث مي‌شود که اين مناطق دائما در حال تغيير باشند. از طرف ديگر حوادث طبيعي احتمالي مثل سيل و زلزله نيز باعث تغيير چهره مناطق شهري مي‌شوند [16].
براي غلبه بر مشکلات ناشي از اين تغيير و برنامهريزي درست شهري، نياز است که از اين مناطق نقشه‌هاي به‌روز در دسترس باشد. به اين ترتيب مسأله اصلي در برنامه‌ريزي شهري، نياز مبرم به نقشه‌هاي به‌روز است. با توجه به تغييرات سريع و گسترده در مناطق شهري، توجه به تغيير پوشش‌ها و کاربري‌هاي زمين ضرورت دارد. همچنين با توجه به چگونگي گسترش شهر، پيش‌بيني تغييرات آينده و اتخاذ تصميمات اساسي و برنامه‌ريزي شهري بر مبناي اين تغييرات ضرورت دارد[1].
در دهه‌هاي گذشته بررسي تغييرات پوشش و کاربري زمين بخش مهمي از مطالعات جهاني بوده است. اين تغييرات نقش اساسي در تغيير محيط، آب و هوا، اکوسيستم و فعاليت‌هاي انساني داشته است[3].
اين تغييرات فاکتور اصلي در تغيير جهان به علت فرآيند‌هاي اکوسيستم, چرخه‌هاي شيميايي و از همه مهمتر فعاليتهاي انساني هستند. به همين علت تغيير پوشش و کاربري زمين بعنوان يک پروژه مهم در برنامه‌هاي سازمان‌هاي بين المللي مورد بحث قرار گرفته است. در ساليان گذشته توجه بيشتر, بر روي تغيير پوشش و کاربري زمين شهري بوده است. اين امر به اين علت است که اکوسيستم‌ها در نواحي شهري با وجود فعاليتهاي بشري بيشتر تحت تاثير قرار مي‌گيرند[21] .
مسأله به‌روز کردن نقشه منطقه شهري در کل دنيا يک امر ضروري و واجب است که براي برنامه‌ريزي شهري از اهميت بالايي برخوردار است[30]. استخراج تغييرات از اهميت بالايي در کاربردهاي سنتي مثل کارتوگرافي و کاربردهاي جديد مثل برنامه‌ريزي شهري و گرافيک کامپيوتري برخوردار است. به علت محدوديت منابع طبيعي فرآيندهاي به‌روزآوري و توليد پايگاه داده زميني بايد به سرعت اجرا شوند[9].
جهت شناسايي روند فعاليتهاي انسان مانند توسعه صنعتي و تبديل زمين‌هاي باير به زمين‌هاي قابل کشت, اطلاع از تغييرات پوشش و کاربري زمين در طي دوره‌هاي زماني مختلف اهميت زيادي دارد. از طرف ديگر آگاهي از اين تغييرات باعث مي‌شود که برنامه مدوني براي رسيدن به يک رشد اقتصادي قوي در اختيار باشد و به اين ترتيب رفاه اجتماعي در طي سالهاي آينده افزايش يابد[2].
پيشرفت‌هاي اخير در تکنولوژي سنجش از دور و افزايش دسترسي به تصاوير ماهواره‌اي با قدرت تفکيک بالا باعث شده است که پتانسيل زيادي در تعيين و نمايش بخش وسيعي از مشکلات محيطي در نواحي شهري به وجود آيد و به اين ترتيب برنامه مدون ذکر شده در فوق با سرعت و دقت بيشتري اجرا گردد[6].
روش سنجش از دور ماهواره‌اي به طور وسيعي در استخراج و کنترل تغيير پوشش زمين در مقياس‌هاي مختلف مورد استفاده قرار گرفته که منجر به دستيابي به نتايج مفيدي شده‌ است. اين امر به اين دليل است که سنجش از دور مجموعه داده‌هاي مکاني تهيه مي‌کند که مناطق وسيعي با جزييات مکاني و بازه زماني مناسب را پوشش مي‌دهد[8].
اگرچه در سنجش از دور استخراج اطلاعات هندسي از تصاوير در دهه اخير سرعت گرفته است, اما حوزه فتوگرامتري چندين دهه است که براي جمع آوري اطلاعات در اين زمينه استفاده مي‌شود. در موارد زيادي هدف فتوگرامتري, به روزآوري نقشه از تصاوير هوايي با مقياس بزرگ بوده است[26]. در دهه گذشته اين هدف تغيير کرده است. به اين شکل که فتوگرامتري هم اکنون براي به روزآوري يک پايگاه داده GeoSpatial (مکاني يا مکانمند) بر مبناي تصاوير هوايي اسکن شده يا تصاوير هوايي که به طور مستقيم از سنجنده‌هاي رقومي بدست آمده‌اند, استفاده مي‌شود و طبيعت داده‌هاي جمع آوري شده ‌با داده‌هاي کارتوگرافيکي قديمي متفاوت است[8].
آناليز تصوير حاصل از داده‌هاي سنجش از دوري, علمي است فراي استخراج اطلاعات از پيکسل‌هاي درون يک Scene يا تصوير[29]. در دهه‌هاي گذشته سنجنده‌هاي چند طيفي براي سنجش از دور طراحي شده‌اند که مي‌توانند از انرژي منعکس شده از اشياء گوناگون روي زمين در طول موج‌هاي مرئي و مادون قرمز نزديک طيف الکترو‌مغناطيس استفاده کنند. بعضي از سنجنده‌ها در طيف حرارتي داده تهيه مي‌کنند. در حاليکه اغلب سنجنده‌هاي تجاري امروزي, داده‌ها را در نواحي مرئي و مادون قرمز نزديک ذخيره مي‌کنند[5].
به‌روز کردن نقشه‌هاي شهري کاري دشوار و پرهزينه است. اين فرآيند دشوار مي‌تواند با مقايسه يک تصوير ماهواره‌اي از وضعيت فعلي و نقشه موجود از منطقه و يا مقايسه دو تصوير در دو زمان مختلف به شکل ساده‌تري انجام گيرد[28]. فرآيند به‌روزآوري نقشه به سه مرحله تقسيم مي‌شود که عبارتند از[2]
• شناسايي تغييرات
• استخراج تغييرات
• ذخيره تغييرات
در اولين گام بايستي نوع تغييرات براي به‌روزآوري نقشه مشخص شود. به عنوان مثال تغيير از يک ناحيه باير به ناحيه ساختماني يا تغيير از يک ناحيه باير به فضاي سبز [17] .
تشخيص تغييرات عوارض ساخته دست انسان مثل ساختمان‌ها با استفاده از تصاوير ماهواره‌اي يکي از کاربردهاي مهم سنجش از دور است. با توجه به اينکه شناسايي تغييرات توسط چشم بشر کاري زمانبر و با دقت پايين مي‌باشد، توسعه روشهاي استخراج تغيير به صورت اتوماتيک امري اجتناب ناپذير مي‌شود. اين روشها در سه سطح انجام مي‌شوند: استخراج تغييرات کلي، استخراج تغييرات جزيي و آناليزهاي تغيير[9].
ميزان‌ صحت و‌ دقت تغييرات استخراج شده نيز بايد معين شود.‌ جهت شناسايي جزييات تغييرات نياز به روشهاي دقيق (در سطح جزييات) مي‌باشد. چنين تغييراتي مي‌توانند از طريق بالا رفتن قدرت تفکيک ماهواره استخراج شوند. اين امر باعث مي‌شود که فرآيند به‌روزآوري نقشه در سطح جزييات امکان پذير گردد [19].
چندين روش اتوماتيک جهت استخراج اتوماتيک تغييرات بر اساس تصاوير ماهواره‌ايي پيشنهاد شده است. اين روشها بين روشهاي نيمه اتوماتيک و تمام اتوماتيک, روشهاي پيکسل مبنا و Object(شي) مبنا و همچنين روشهاي مبتني بر ويژگي‌هاي طيفي و مبتني بر هوش مصنوعي تغيير مي‌کنند. از طرف ديگر براي استخراج تغيير به شکل اتوماتيک دو استراتژي وجود دارد: مقايسه تصوير با نقشه و مقايسه تصوير با تصوير. روشهاي استخراج تغيير اکثرا بر اساس مقايسه تصوير با تصوير هستند. به اين صورت که پيکسل به پيکسل دو تصوير که در دو تاريخ مختلف به دست آمده‌اند, با هم مقايسه مي‌شوند و به اين ترتيب يک تصوير که تغييرات به وجود آمده در فاصله زماني معين شده را نشان مي‌دهد, به دست مي‌آيد[6]. ولي در مقايسه تصوير با نقشه از نقشه موجود جهت پيدا کردن نواحي تغيير کرده در تصويري که اخيرا به دست آمده, استفاده مي‌شود. به دليل اينکه نقشه يک ارائه انتزاعي و کلاس‌بندي شده از حقيقت است, مسئله مقايسه تصوير با نقشه با مقايسه تصوير با تصوير متفاوت است[2].
اخيرا سنجش از دور در ترکيب با سيستم‌هاي اطلاعات جغرافيايي و سيستم‌هاي تعيين موقعيت ماهواره‌ايي, جهت استخراج تغيير پوشش زمين استفاده شده است. نتيجه اين امر مي‌تواند به عنوان يک منبع داده در آناليز و طراحي رشد شهري و همين طور استخراج تغيير پوشش و کاربري زمين مورد استفاده قرار گيرد[7].

1-2-تاريخچه و تحليل سوابق کار

در مطالعات پيشين از دو استراتژي جهت استخراج تغييرات استفاده شده است. اين استراتژي‌ها عبارتند از:مقايسه تصوير با تصوير و مقايسه تصوير با نقشه[8],[2].
استراتژي اول يعني مقايسه تصوير با تصوير يک شيوه سنتي استخراج تغييرات است. اساس اين استراتژي مقايسه پيکسل به پيکسل دو تصوير مي‌باشد. براي انجام اين مقايسه از سه روش مختلف مي‌توان استفاده کرد. اين روشها عبارتند از: 1-استفاده از اپراتورهاي رياضي 2-انتقال تصوير 3-طبقه‌بندي تصاوير.
روش سوم در بسياري از تحقيقات و مطالعات پيشين به کار رفته است. يکي از تحقيقات اخير در اين زمينه در کشور ژاپن و براي شهر Sukuba انجام شده است[6]. در اين تحقيق بين نتايج حاصل از چهار روش کلاس‌بندي که در بخش قبلي به آنها اشاره شد, مقايسه‌اي صورت گرفته است. در نهايت روش چهارم نسبت به سه روش ديگر نتايج بهتري ارائه داده است. اين تحقيق تنها از استراتژي مقايسه تصوير با تصوير استفاده کرده است و در زمينه مقايسه تصوير با نقشه کاري صورت نداده است.
در کشور آفريقايي مصر نيز مطالعاتي انجام گرفته است[10]. به عنوان مثال در کشور مصر و در منطقه شمال‌غربي اين کشور تحقيقي صورت گرفته است. در اين تحقيق با استفاده از دو روش کلاس‌بندي نظارت‌شده و نظارت‌نشده ( Unsupervised) نتيجه زير حاصل شده است. در طي يک دوره چهارده ساله در اين محدوده مناطق مسکوني حومه شهري و زمينهاي کشاورزي اطراف اين ناحيه رشد چشمگيري داشته‌اند[10]. اين تحقيق نگاه يک بعدي به مسئله مورد نظر داشته است. در واقع توجه تحقيق بيشتر بر روي تغييرات زمينهاي کشاورزي بوده است.
در آفريقاي مرکزي در شهر Belize پژوهشي براي نمايش تغييرات در پوشش و کاربري زمين در يک فاصله زماني ده ساله بين سالهاي 1993 تا 2003 انجام گرفته است[11]. اين تحقيق به کمک يک روش استخراج تغيير رقومي و استفاده از دو تصوير ماهواره اي Landsat که در دو تاريخ مذکور تهيه شده‌اند, پياده‌سازي شده است. تصاوير ماهواره‌اي با استفاده از استراتژي پيکسل مبنا و بهره بردن از يک روش طبقه‌بندي نظارت‌نشده و بهره‌گيري از نرم افزار ENVI دسته‌بندي شده‌اند. تصاوير طبقه‌بندي شده با يکديگر مقايسه شده و نتايج زير به دست آمده‌اند.
با مقايسه زمين واقعي و نتيجه طبقه‌بندي صحتي که حاصل شده, 92% بوده است. از طرف ديگر توسعه شهري با نرخ 12% در سال به وقوع پيوسته است که اين نرخ در مقايسه با رشد جمعيت که 3.5% در سال است, رشد سريعتري را نشان مي‌دهد. علاوه بر اين زمين‌هاي کشاورزي با نرخ 32 مايل مربع در سال توسعه يافته‌اند. توسعه شهر, توسعه زمين‌هاي کشاورزي و فقدان پوشش جنگل, سه عاملي بودهآند که باعث ايجاد نرخ از بين رفتن جنگل 35 مايل مربع در سال شده‌اند. اين تحقيق اطلاعات مفيدي را براي دولت Belize جهت دستيابي به توسعه پايدار تهيه مي‌کند.
از مواردي که در اين تحقيق به چشم مي‌خورد, عدم استفاده از تصاوير ماهواره‌اي با قدرت تفکيک بالا است. اين امر به اين دليل است که اين کار به صورت بسيار کلي انجام گرفنه است. نکته‌اي که در اين تحقيق وجود دارد, استفاده از يک روش دسته‌بندي نظارت‌نشده است, که باعث مي‌شود بدون داشتن اطلاعات از زمين واقعي, روند پياده‌سازي عمليات را انجام داد.
در کشور چين براي استخراج روند توسعه شهري, به کمک تکنيک‌هاي سنجش از دور و سيستم‌هاي اطلاعات جغرافيايي تحقيقي انجام گرفته است[12]. اين مطالعه براي دوره زماني 1934 تا 2001 انجام شده است. هم چنين روند تغيير پوشش و کاربري زمين بين سالهاي 1987 تا 2001 نيز بررسي شده است. توسعه شهري در بعضي مواقع سريع و دربعضي مواقع کند بوده است. رشد سريع در قسمتهاي غربي و شرقي شهر رخ داده است. الگوهاي مکاني رشد شهري به سه نوع تقسيم شده است: رشد از نظر اجتماعي-سياسي, رشد مکان‌هاي ويژه و رشد نرمال شهر. تغيير پوشش و کاربري زمين در طي سالهاي مذکور نيز بسيار زياد بوده است. در نهايت به اين نتيجه رسيده اند که جمعيت, شرايط ترافيکي, صنعتي شدن و سياست, فاکتورهاي اصلي در وقوع اين تغييرات هستند. براي پياده سازي اين پژوهش از دو تصوير ماهواره اي TM و ETM+ استفاده شده است. اين دو تصوير با استفاده از يک کلاسيفاير Maximum Likelihood دستهبندي شده و با يکديگر مقايسه شدند. در اين تحقيق فقط از يک نوع روش دسته بندي استفاده شده است. از طرف ديگر در اين مطالعه نيز از تصاوير ماهوارهاي با قدرت تفکيک بالا استفاده نشده است.
استخراج تغييرات از تصاوير ماهوارهاي با قدرت تفکيکهاي مختلف در زمينههاي مديريت محيط نيز مورد مطالعه قرار گرفته است[13]. در تحقيق مذکور از دو تصوير ماهوارهاي مختلف استفاده شده است. از تصوير Modis جهت استخراج تغييرات محيطي در مناطقي با وسعت زياد و از تصوير ماهواره Landsat TM نيز براي ايجاد نقشه پوشش زميني استفاده شده است. در نهايت با مقايسه نتايج به دست آمده با نقشه وضعيت موجود به يک صحت 59% در اجراي عمليات دست يافته است.
در کشور فرانسه پژوهشي در زمينه استخراج ساختمان‌ها‌ از تصاوير هوايي انجام گرفته است[15]. در اين تحقيق با ترکيب اطلاعات دو بعدي و سه بعدي, عوارض ساخته شده توسط بشر مثل ساختمان‌ها‌ استخراج مي‌شوند. اين عمليات بر روي تصاوير هوايي با قدرت تفکيک متوسط و بالا انجام شده است. در نهايت اين نتيجه حاصل شده است که تصاوير هوايي با قدرت تفکيک متوسط, نمي‌توانند نتيجه‌اي که براي تصاوير هوايي با قدرت تفکيک بالا حاصل مي‌شود را ايجاد کنند. براي رسيدن به اين امر بايد الگوريتم‌هاي کلاسيکي که در تحقيق از آنها استفاده شده است, به روز شود و از تکنيک‌هاي جديد براي استخراج ساختمان‌ها‌ در نواحي شهري استفاده شود.
در کشور ايران هم تحقيقاتي از اين دست صورت گرفته است. به عنوان مثال در شهر سنندج به بررسي روند و چگونگي توسعه شهري با استفاده از GIS و RS پرداخته شده است. در اين تحقيق چنين نتيجه‌گيري شده است كه توسعه اوليه شهر سنندج بيشتر به صورت افقي بوده و با توجه به اين گسترش افقي توسعه عمودي در آينده مي‌تواند مورد توجه قرار بگيرد[29]. در اين مطالعه از مقايسه تصوير با تصوير استفاده شده و فقط روش کلاس‌بندي نظارت‌شده به کار گرفته شده است.
در شهر تهران هم تحقيقي تحت عنوان ارائه مدل‌هاي توسعه شهري با کاربرد سامانه‌هاي GIS و RS و مدل‌هاي زيست محيطي انجام شده است. نتايج حاصله به اين گونه بوده که روند توسعه بسيار شتاب داشته و به نابودي و تخريب منابع طبيعي منطقه منجر شده است. به اين ترتيب با توجه به ظرفيتها و محدوديتهاي طبيعي کشور و منطقه، محدوديت شديد ناحيه‌اي براي توسعه شهري مشخص شده است. از طرف ديگر در طرح‌هاي تفصيلي به اين محدوديتها توجه نشده و بايد در اصلاح طرح‌ها به اين محدوديتها پرداخته شود[30]. در اين مطالعه نيز از مقايسه تصوير با تصوير استفاده شده است. اين تحقيق از منظر تاثيرهايي که تغييرات روي محيط زيست مي‌گذارد به مسئله نگاه کرده است.
در مقاله‌اي راجع به آناليزهاي تصوير با استفاده از روشهاي شي مبنا بحث شده است[14]. مزيتهاي روش شي مبنا نسبت به روشهاي پيکسل مبنا, استخراج ويژگيهاي مختلف از شيها و معرفي بعضي از ماهوارهها و نرم افزارهايي که باعث پيشرفت در روشهاي شي مبنا بوده‌اند, در اين مقاله بررسي شده است.
در زمينه استخراج تغيير به وسيله طبقه‌بندي شي مبنا نيز مطالعاتي صورت گرفته است[3]. در اين تحقيق يک روش استخراج تغيير مبتني بر طبقه‌بندي شي مبنا معرفي شده است. در اينجا پيکسل‌ها به صورت منفرد دسته بندي نمي‌شوند, بلکه اين کار به صورت گروهي از پيکسل‌ها که شي‌هاي موجود در پايگاه داده سيستم‌هاي اطلاعات جغرافيايي را تشکيل مي‌دهند, انجام مي‌گيرد. يک بردار ويژگي چند بعدي تعريف مي‌شود, که اين بردار فقط شامل ويژگي‌هاي طيفي شي‌ها, مثل ميانگين و انحراف معيار باندهاي طيفي مي‌باشد. با بررسي 951 شي به 82 تغيير دست يافته است. از اين 82 شي, 45% تغييرات واقعي بوده است, 31% تغييراتي که در آينده رخ خواهد داد و 23% نيز به اشتباه به عنوان تغيير تشخيص داده شده‌اند. امتياز بزرگ اين تحقيق در اين است که استخراج تغيير را در تمامي پوشش‌هاي زميني دنبال کرده است. نکته ديگري که در اينجا بايد به آن اشاره کرد اين است که در بردار ويژگي‌ها, از ويژگي‌هاي بافتي و همين‌طور ويژگي‌هاي هندسي استفاده نکرده است.
مواردي که تا به حال مورد بررسي قرار گرفت مربوط به مقايسه دو تصوير بود. در زمينه مقايسه تصوير با نقشه تحقيقي در دو شهر Sherbrooke در کانادا و Rabat در کشور مراکش (جهت استخراج تغييرات ساختمانها) انجام گرفته است[2]. در اين تحقيق مقايسه‌اي بين يک تصوير با قدرت تفکيک بالا و پايگاه داده زميني موجود صورت گرفته است. پايگاه داده شامل نقشه و اطلاعات اوليه از منطقه بوده است. براي انجام اين کار از يک الگوريتم قطعه‌بندي(Segmentation) که بر اساس شيهاي موجود در نقشه پياده گرديده استفاده شده است. در نهايت نيز در يک پروسه چند مرحلهاي تغييرات ساختمان‌ها را استخراج کرده است. در اين مطالعه، در زمينه کنترل کيفيت کار چنداني صورت نگرفته است.
در تحقيقات قبل مفاهيمي دنبال شده‌اند که در اينجا به طور مشخص لازم است, ارائه شده و در فصلهاي بعدي بر اساس همين مفاهيم, روش اين تحقيق و نتايج آن طرح و ارزيابي شوند. مهمترين مفهوم در ميان اين مفاهيم, مفهوم شي و روش شي مبنا است. شي مجموعه متصلي از پيکسل‌هاي تصوير است که داراي شباهت دروني با هم و تمايز بيروني با اشياء مجاور باشد.
شي‌ها مي‌توانند صدها ويژگي داشته باشند, مثل شکل, اندازه, پاسخ طيفي و غيره که مي‌توانند براي آناليز تصوير استفاده شوند. شي‌ها تعدادي ويژگي دارند که فقط در روشهاي شي مبنا از آنها مي‌توان استفاده کرد. براي مثال مي‌توان از شکل و اندازه اجسام آبي جهت تشخيص آنها استفاده کنيم (رودخانه و درياچه و غيره). براي مدل کردن پيچيدگي محيط شهري بايد از تمامي اطلاعات موجود در شي‌ها مثل رنگ, بافت, شکل و همچنين پارامترهاي مفهومي مثل ارتباط با همسايه‌ها استفاده کرد[2]. از طرف ديگر استفاده از پايگاه داده موجود اين اجازه را به کاربر مي‌دهد تا با جستجو در اطلاعات اضافي شي‌ها نتايج بهتري به دست آورد.
جدول 1-1 ويژگي‌هاي کلي شي‌ها را نشان مي‌دهد.

جدول 1-1: معرفي ويژگي‌هاي شي ها
ويژگي شي موارد استفاده
طيفي باندهاي طيفي
هندسي شکل(طول و عرض و مساحت و..)
همسايگي مجاورت و همسايه‌ها(فاصله و آزيموت با همسايه‌ها)
بافتي معيارهاي آماري(انحراف استاندارد,ميانگين, انتروپي و ..)

براي استخراج عوارض نامشخص بايد از اطلاعات اضافي مثل شکل و اندازه سايه‌ها استفاده کرد, که در شي‌ها اين موارد را مي‌توان پيدا کرد.
در حاليکه فرض مي‌شود ردپاهاي طيفي عوارض مختلف خطوط منفرد هستند, ولي در حقيقت عوارض از يک خانواده طيفي از اعضا تشکيل شده‌اند. در روشهاي شي مبنا مي‌توان از مزيت‌هاي ويژگي‌هاي طيفي گوناگون شي‌ها مثل ميانگين و انحراف استاندارد استفاده کرد, تا نوسانات طيفي عوارض ذخيره شود[20].
ويژگي‌هاي مکاني مثل مساحت, طول, عرض و جهت شي نيز کاربرد زيادي دارند. براي مثال مي‌توان تفاوت بين سايه و آب را با استفاده از علم به اين موضوع که سايه‌ها مساحت کمتري نسبت به اجسام آبي دارند تشخيص داد.
به طور خلاصه مزيتهاي اين روش عبارتند از:
– استفاده از همه ابعاد سنجش از دور
– طيفي(باندهاي چند طيفي و همين طور باند پانکروماتيک(Panchromatic))
– مکاني(مساحت, طول, عرض و جهت)
– مورفولوژيکال(پارامترهاي شکل و بافت)
– همسايگي(ارتباط با همسايه‌ها و آناليز مجاورت)
– زماني(سري‌هاي زماني)
– استفاده از تمام تکنيک‌هاي آناليز تصوير مثل طبقه‌بندي نظارت شده (Supervised), قانون مبنا و همين طور آناليزهاي مربوط به سيستم‌هاي اطلاعات جغرافيايي
– استخراج عارضه از Scene يکسان در قدرت تفکيک‌هاي مختلف
روشهاي پيکسل مبنا, روشهاي سنتي آناليز تصوير هستند و روند کار آنها به اين صورت است که تفاوت‌هاي عوارض گوناگون را جستجو مي‌کنند. از اين تفاوت‌ها اطلاعات تماتيک مورد نظر استخراج مي‌شود[27].
در بسياري از کاربردها، نياز به استخراج عوارضي است که از پيکسل‌هاي چندگانه تشکيل شده اند. از جمله اين عوارض جاده‌ها, ساختمان‌ها‌ و غيره هستند. براي استخراج اين عوارض نياز به طبقه‌بندي گروهي پيکسل‌هاي نزديک به يکديگر است. در واقع در اينجا به جاي استخراج پيکسل نياز به استخراج شي وجود دارد.:
شي‌ها اجزايي هستند که يک Scene را تشکيل مي‌دهند. براي مثال هنگامي که شخص در يک عکس نگاه مي‌کند، عکس با شکستن به شي‌هاي گوناگون ارزيابي مي‌شود و از ويژگي‌هايي مثل شکل, بافت, رنگ, طيف و غيره براي شناخت Scene استفاده مي‌شود. ذهن بشر توانايي ذاتي براي تفسير اطلاعاتي که در Scene وجود دارد را داراست. علاوه بر اين قدرت تشخيص به بشر اين اجازه را مي‌دهد تا بطور همزمان اطلاعاتي که قبلا در ذهن ذخيره شده را جستجو کرده و از آنها براي تفسير تصوير استفاده کند[23].
يک شي مي‌تواند به عنوان گروهي از پيکسل‌ها که داراي ويژگي‌هاي طيفي و مکاني مشابه هستند, تعريف شود. به اين ترتيب تکنيک شي مبنا، آناليزي است که در فضاي شي به جاي فضاي پيکسل صورت مي‌گيرد. شي‌ها مي توانند به عنوان مقدماتي براي طبقه بندي تصوير به جاي پيکسل‌ها استفاده شوند. با استفاده از قطعه‌بندي تصوير مي‌توان يک Scene يا تصوير را به شي‌هاي مختلف تقسيم کرد. شي‌ها مي‌توانند در اندازه‌هاي مختلف و در سطوح گوناگون از تصوير ايجاد شوند. اين مزيت باعث مي‌شود که شي‌هايي با مقياس‌هاي مورد علاقه استخراج شوند. علاوه بر اين با ايجاد شي‌ها در سطوح مختلف و استفاده از ارتباطات ريشه‌اي مي‌توان پروسه استخراج عارضه براي کاربردهايي مثل استخراج تغيير را بهبود داد. تکنيک شي مبنا اين اجازه را مي‌دهد, تا در همه جنبه‌هاي سنجش از دور شامل ويژگي‌هاي طيفي, مکاني, بافتي, مفهومي و زماني جهت استخراج عارضه جستجو انجام گيرد[21].
در روش شي مبنا به جاي استفاده از هزاران پيکسل مي‌توان از تعدادي پلي‌گون که شامل اين پيکسل‌ها مي‌شوند, استفاده کرد. شي‌ها حوزه‌هاي زيادي براي آناليز تصوير ارائه مي‌دهند و مي‌توانند از بعضي از مزيت‌هاي آناليز سيستم‌هاي اطلاعات جغرافيايي استفاده کنند. در روش‌هاي پيکسل مبنا بايد از تکنيک‌هاي اضافي مثل رشد ناحيه و يا بهبود لبه استفاده کرد و براي اينکه نتيجه روش پيکسل مبنا، مثل شي مبنا شود, بايد از آناليزهاي اضافي استفاده کرد[22].
1-3-اهداف تحقيق

منابع و مآخذ

منابع شامل کتاب و مقالات هستند که منابع مقاله‌اي دو دسته هستند شامل:
الف-منابع انگليسي‌‌که عبارتند از:
[1] D.A.Holland and Boyd,‘‘Updating topographic mapping using imagery from high resolution satellite sensors” ISPRS Journal of Photogrametry and Remote Sensing,Vol. 60, No. 3, pp. 212-223, 2006.
[2]M.Bouziani and K.Goïta and D.C.He,‘‘Automatic change detection of buildings in urban environment from very high spatial resolution images using existing geodatabase and prior knowledge” ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 58, No. 3-4, pp. 1-11, 2009.
[3]V.Walter, ‘‘Object-based classification of remote sensing data for change detection” ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 58, No. 3-4, pp. 225-238, 2004.
[4]J.F.Mas,‘‘A comparison of change detection techniques” International Journal of Remote Sensing, Vol. 20, No. 1, pp. 139-152, 1999.
[5]D.Lu and P.Mausel and E.Brondizio and E.Moran,‘‘Change detection techniques” International Journal of Remote Sensing, Vol. 25, No. 12, pp. 2365-2407, 2003.
[6]R.B.Thapa and Y.Murayama, ‘‘Urban mapping, accuracy, & image classification: A comparison of multiple approaches in Tsukuba City, Japan” ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 58, No. 3-4, pp. 162-182, 2009.
[7]M.Song and D.Civco, ‘‘Road extraction using SVM and image segmentation” Photogrammetric Engineering & Remote Sensing, Vol. 70, No. 12, pp. 1365-1371, 2004.
[8]K.Navulur,‘‘multispectral image analysis using the object-oriented paradigm”, London, Taylor & Francis, 2006.
[9]F. Armenakis and C. Leduc and F.Cyra and I. Savopola and F.Cavayas, ‘‘A comparative analysis of scanned maps and imagery for mapping applications”. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 29, No. 6, pp. 755-769, 2002.
[10]R.Shalaby and A.Tateishi, ‘‘Remote sensing and GIS for mapping and monitoring land cover and land-use changes in the Northwestern coastal zone of Egypt”. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 58, No. 3-4, pp. 140-151, 2007.
[11]EK.Edgar, ‘‘Monitoring Land Use And Land Cover Changes In Belize”. A thesis presented to the faculty of the College of Arts and Sciences of Ohio University, 2004.
[12]X.Jieying and Y.Shen and J.Ge and R.Tateishi and C.Tang and Y.Liang and Z.Huang, ‘‘evaluating urban expansion and land use change in Shijiazhuang, China, by using GIS and remote sensing”. Landscape And Urban Planning , Vol. 75, No. 3-4, pp. 69-80, 2006.
[13]A.D.Pape, ‘‘Multiple spatial resolution image change detection for enviromental management application”. A thesis submitted to the College of Graduate Studies and Research at the University of Saskatchewan in partial fulfillment of the requirements for the degree Master of Science in Geography, 2006.
[14]T.Blaschke, ‘‘Object based image analysis for remote sensing”. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 65, No. 3-4, pp. 2-16, 2010.
[15]M.Chord and M.Jordan and J.P.Cocqueres, ‘‘Building detection and reconstruction from mid- and high resolution aerial imagery ”. Computer Vision And Image Understanding, Vol. 72, No. 2, pp. 122-142, 1998.
[16]J.A.Richards and X.Jia, ‘‘Remote sensing digital image analysis ”. Conberra, 2005.
[17]M.V.K.Sivakumar and P.S.Roy and K.Harmsen and S.K.Saha, ‘‘Satelite remote sensing and GIS application in agricultural meteorology ”. Dehra Dun, 2003.
[18]S.Theodoridis and K.Koutroumbas, ‘‘Pattern Recognition”. London , Taylor & Francis, 2003.
[19]C.Zhang, ‘‘Towards an operational system for automated updating of road databases by integration of imagery and geodata”. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 58, No. 3-4, pp. 166-186, 2004.
[20]M.Bouziani and K.Goïta and D.C.He,‘‘Change detection of buildings in urban environment from high spatial resolution satellite images using existing cartographic data and prior knowledge”,International Geoscience And Remote Sensing Symposium Vol. 58, pp. 2581-2584, 2007.
[21]J.Rogan and D.M.Chen,‘‘Remote sensing technology for mapping and monitoring land-cover and land-use change”,Progress In Planning Vol. 61, pp. 301-325, 2004.
[22]Y.Q.Wang,‘‘Remote sensing and modeling in regional land cover change study”,Symposium On Geospatial Theory, Processing And Application pp. 123-127, 2002.
[23]P.Gamba and F.D.Acqua and B.V.Dasarathy,‘‘Urban remote sensing using multiple data sets: Past, present, and future”,International Geoscience And Remote Sensing Symposium Vol. 6, pp. 319-326, 2005.
[24]Z.Islam,‘‘Fractals and fuzzy sets for modeling the heterogeneity and spatial complexity of urban landscapes using multiscale remote sensing data”, A thesis is presented as part of the requirements for the award of the degree of Doctor of Philosophy of the Curtin University of Technologt , 2004.
[25]A.Devilles,‘‘Four fuzzy supervised classification methods for discriminating classes of non-convex shape”, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 141, pp. 219-240, 2004.
[26]M.Herold and M.E.Gardner and D.A.Roberts,‘‘Spectral resolution requirements for mapping urban areas”, IEEE Transactions on Geoscience and Remote Sensing, Vol. 41, No. 2, pp. 1907-1919, 2003.
[27]H.S.Sudhira and T.V.Ramachandra,‘‘Characterising urban sprawl from remote sensing data and using landscape metrics”, Computers in Urban Planning and Urban Management, Vol. 198, No. 10, pp. 1-12, 2005.
[28]H.S.Sudhira and T.V.Ramachandra,‘‘Digital change detection methods in ecosystem monitoring”, International Journal Remote Sensing, Vol. 25, No. 9, pp. 1565-1589, 2004.
ب-منابع فارسي که عبارتند از:
29-پور احمد، احمد و يدقار، علي و حبيبي، کيومرث، بررسي روند و الگوي توسعه شهري سنندج با استفاده از GIS و RS، نشريه هنرهاي زيبا، شماره 16، زمستان 1382، صفحات 31-15
30-عباسپور، مجيد و قراگوزلو، عليرضا، ارائه مدل‌هاي توسعه شهري با کاربرد سامانه‌هاي GIS و RS مدل‌هاي زيست محيطي، پايگاه ملي داده‌هاي علوم زمين کشور، 1381، صفحات 60-54

Abstract
The updating of geodatabases in urban environments is a difficult and expensive task. Satellite remote sensing techniques in mining and land-cover change on widely different scales are used to produce useful results that are. It may be facilitated by automatic change detection methods. On the other hand two automatic change detection strategies are: image-image comparison and image-map comparison. Change detection approaches are mostly based on image-image comparison. Image map comparison consists of using an existing map to find the areas of changr from a recent image. For the change detection can be used from the pixel-based and object-based methods. Pixel based techniques are traditional methods of image analysis and their process is to explore the differences between the various features. Thematic information is extracted about these differences. In manu applications, the need to detect the features that consist of multiple pixels including the effects of roads, buildings, etc. For the extraction of these features is needed to classify a group of pixels close to each other. Here, instead of extracting the pixels are needed to extract the object. Objects can have hundreds of attributes, such as shape, size, spectral response, etc. These attributes can be used for image analysis. Objects have properties that only can be used on objects-based methods for the extraction of features must be used of additional information such as shape and size of the shadow that objects, these cases can be found. This study proposes a new approach based on object-based methods for automatic change detection of buildings in urban environments from very high spatial resolution images and using existing geodatabase. The proposed methodology is composed of several stages. The existing knowledge on the buildings and the other urban objects are first modelled. Then, the image is segmented. Thereafter, the segmented image is analyzed using the knowledge base to localize the segments where the change of building is likely to occur. Finally, the change detection rules are then applied on these segments to identify the segments that represent the changes of buildings. In the second part of this study, are used of the different methods classification instead of segmentation. On the other hand the algorithm must be used that fits characteristics of the area and will lead to acceptable results. In the study was used various geometric features, textures and spectral features. The algorithm was tested in three regions. The first area consists of 15 objects and many changes had not occurred in this area. The second area consists of 7 objects, and was free to change. And finally the third area, there were 36 objects. The change was more than double the previous. The proposed method was acceptable in all three regions. Most of the changes happening in these regions were detected by this method. The proposed algorithm has a number of weaknesses. This method presents some limitations on the detection of the exact contours of the buildings . On the other hand, the number of old buildings by this method were identified as new building. Another point that should be it noted, is the context of the study area. The data used in this research concern the southern border of the city of ISFAHAN. In this area the buildings are absolutely continuous blocks. On the other hand the satellite image of the operation it is also important. Spatial resolution of image plays an important role in changes detection. In this study of a Quickbird image obtained in 2008 and the map 1/2000 in 1375 shamsi(1996) has been used.
Keywords: Urban Change Detection, Remote Sensing, Image Classification & Image Segmentation, GIS Analysis, Rule Base

University of Isfahan
Faculty of Engineering
Department of Civil – Remote Sensing

MA.Thesis

Change Detection of Suburban Region Using Classification and Segmentation of Remote Sensing High Spatial Resolution Images and GIS Analysis

Supervisor:
Dr.Mehdi Momeni

Advisor:
Saeed Nadi

By:
……………………………

February 2011

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “استخراج تغييرات ناحيه حاشيه شهري با استفاده از طبقهبندي و قطعهبندي تصاوير ماهوارهاي با قدرت تفکيک بالا بر مبناي تحليل در سيستمهاي اطلاعات جغرافيايي”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

3 + 3 =