چکیده. gmail.com

Transcript

1 و طیفی ویژگیهای انتخاب با شهری مناطق در تغییرات شناسایی بهبود ژنتیک الگوریتم بر مبتنی بهینه مکانی 2 عنایتی حمید 1 صادقی وحید 3 عبادی حمید 94/09/22 مقاله: پذیرش تاریخ 94/02/21 مقاله: دریافت تاریخ ********* چکیده شهری مناطق در اراضی پوشش و کاربری تغییرات شناسایی برای کارآمدی تکنیک دور سنجشاز چندزمانه تصاویر آنالیز حصول دارد. نتایج صحت در زیادی بسیار تأثیر ویژگی تغییرات فضای شناسایی برای رفته بکار تکنیک از جدا میباشد. یباشد. م بهینه )بافت( مکانی و طیفی ویژگیهای بکارگیری مستلزم شهری مناطق تغییرات شناسایی در رضایتبخش نتایج و زمانبر بسیار فرآیندی عمل در ولی است بهینه ویژگیهای مجموعه به دستیابی تضمین تنها سراسری جستجوی اگرچه اب جدید مؤلفههایی به رسیدن برای دادهها آماری استقالل تنها تکنیکPCA همچون کاهشبعد تکنیکهای در است. غیرعملی انتخاب برای مناسب حدآستانه تعیین نمیشود. دنبال مستقیم بطور تغییرات شناسایی صحت بهبود و بوده مدنظر کمتر وابستگی اصلی تمرکز میکاهد. تکنیک این کارایی از عمال نیز JM فاصله با )SAA( تفکیکپذیریآماری تکنیک در بهینه ویژگیهای کارآیی بررسی جهت میباشد. بیزین طبقهبندیکننده و ژنتیک الگوریتم با بهینه بافت و طیفی ویژگیهای انتخاب حاضر مقاله Geo-Eye1 و IRS-P6 سنجندههای تصاویر بکارگیری با ایران( )شمالغرب سهند جدید شهر تغییرات پیشنهادی تکنیک برنامهنویسی محیط در مذکور تکنیکهای گرفت.تمامی قرار بررسی مورد 2013 سپتامبر 1 و 2006 جوالی 14 در شده اخذ اطالعاتی منبع عنوان به میتواند بافت ویژگیهای داد نشان تحقیق این از حاصل شدند.نتایج پیادهسازی MATLABR2013a تغییرات شناسایی در تأثیرگذار فرآیند یک ویژگی انتخاب شود. شهری مناطق در تغییرات شناسایی نتایج بهبود سبب مکمل ار خودشان خاص مزایای و محدودیتها ویژگی انتخاب تکنیکهای از هریک میباشد. بافت و طیفی ویژگیهای بر مبتنی تکنیک داد نشان ویژگی انتخاب تکنیکهای کارآیی مقایسه دارند. بدنبال را تغییرات شناسایی صحت بهبود کل در ولی داشته است. برخوردار باالتری صحت و کارآیی از داشتند( مشابهی نتایج )که SAA و متداولPCA تکنیک دو با مقایسه در پیشنهادی به %58/94 از و %88/49 به %53/66 از ترتیب به تغییرات نقشه کلی صحت و کاپا ضریب پیشنهادی روش بکارگیری با یافت. تصاویر( افزایش اصلی باندهای بکارگیری با مقایسه 90/39 % )در مؤلفههای تحلیل ژنتیک الگوریتم )بافت( مکانی ویژگیهای دور از سنجش تصاویر تغییرات شناسایی کلیدی: واژههای.JM فاصله اصلی ********* gmail.com طوسی الدین نصیر خواجه صنعتی دانشگاه برداری نقشه دانشکده فتوگرامتری دکتری دانشجوی 1- enayati_hamid@yahoo.com طوسی خواجهنصیرالدین صنعتی دانشگاه فتوگرامتری ارشد کارشناس 2- ebadi@kntu.ac.ir طوسی الدین نصیر خواجه صنعتی دانشگاه مکانی اطالعات فناوری علمی قطب عضو نقشهبرداری مهندسی دانشکده دانشیار 3-

2 94 زمستان 96 شماره دوره 24 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 136 مقدمه استفاده و طبیعت با بشر تعامل گذشته سالیان طی در دالیل از یکی زندگی کیفیت بهبود برای طبیعی منابع از سطح کاربریهای و پوششها در تغییرات ایجاد مهم است. بوده شهرها بیرویه گسترش خصوصا و زمین و اراضي کاربری و پوشش تغييرات و مرزي حدود تعيين برنامهريزي براي زماني فواصل در شهر رشد ساختار تعیین است. ضروري امری آنها مورد در آگاهانه و مسئوالنه تابشی پرتوهای ثبت برای ماهوارهای سنجندههای قابلیت مختلف موجهای طول در عوارض سطح از بازتابشی یا عوارض خصوصیات از عمدهای بخش شناسایی امکان و از استفاده امکان مکانی و طیفی آنالیزهای انجام طریق از فراهم موضوعی اطالعات استخراج برای را تصاویر این هب قادرند ماهوارهای سنجندههای دیگر سوی از مینماید. دورههای در را نظر مورد منطقه به مربوط تصاویر آسانی لذا دهند. قرار کاربران اختیار در و اخذ منظم زمانی مناسبی روش عنوان به دور از سنجش تصاویر از استفاده تغییرات جمله از پدیدهها به مربوط تغییرات شناسایی برای برای متعددی تکنیکهای یگردد. م محسوب شهری مناطق دوری سنجشاز تصاویر بکارگیری با تغییرات شناسایی میتوان را تکنیکها این است. شده داده توسعه چندزمانه نتایج ماهیت نظر از نمود: دستهبندی مختلف جنبههای از برخی و نموده مشخص را تغییرات محل تنها روشها برخی تغییرات ماهیت تعیین قابلیت تغییرات محل بر عالوه دیگر بین تغییرات اطالعات )شامل تغییرات نقشه صورت به را که روشهایی دارند. اراضی( کاربری و پوشش کالسهای یک از معموال میانجامند تغییرات ماهیت نقشه تولید به بینکالسی تغییرات کردن مشخص برای طبقهبندی طرح رپ از پسازطبقهبندی مقایسه تکنیک میکنند. استفاده شناسایی زمينه در موجود روشهاي عملیترین و کاربردترين این در است. تغییرات ماهیت نقشه تولید قابلیت با تغييرات به چندزمانه تصاوير از يک هر مستقل طبقهبندي روش تهیه موضوعی نقشههای سپس ميشود. انجام جداگانه طور مقايسه و همپوشانی چندزمانه تصاویر از هریک از شده که میباشد تغييرات نقشه یک مقايسه اين نتيجه میشوند. ارائه تغییرات ماهیت و محل خصوص در کاملی اطالعات طبقهبندي دليل به. (Radke et al., 2005; Sallaba, میدهد( 2009 يک هر در آموزشی نمونههای وجود و تصویر دو مجزاي الگوهای یادگیری قابلیت طبقهبندی الگوریتم تصوير دو از انجام برای ضرورتی و داشته را کالسها از یک هر طیفی تغییرات آشکارسازی تکنیک این در اتمسفري تصحيحات.(Chen et al., 2012; Hussain, 2013; Li et al., ندارد( 2008 وجود متفاوت فنولوژيکي شرايط داراي که تصاويري براي خورشيد متفاوت تابش زاويه و متفاوت سنجنده ديد زاويه توصيه روش اين هستند مختلف سنجندههاي حتي يا و و مزایا تمام وجود با. (Huss et al., 2008; Jensen, 2004) ميشود هب آن از معموال که پسازطبقهبندی مقایسه روش تها قابلی یشود م یاد تغییرات آشکارسازی تکنیک پرکاربردترین عنوان طبقهبنديهاي از يک هر صحت به نهايي صحت وابستگي.(Sallaba, (2009 میدهد قرار تأثیر تحت را آن کارآیی مستقل گفت عالوه باید تحقیق ضرورت و اهمیت خصوص در شهری مناطق تغییرات شناسایی برای رفته بکار تکنیک بر شناسایی الگوریتمهای به ورودی دادههای کیفیت و نوع با دارد. نتایج صحت در زیادی بسیار تأثیر تغییرات بکارگیری و تولید شهری مناطق خصوصیات به توجه راه طیفی یهای ویژگ کنار در مکانی)بافت( ویژگیهای ماهوارهای تصاویر طبقهبندی نتایج بهبود برای مناسب حلی شهری مناطق در تغییرات آشکارسازی بهبود متعاقبا و.(Erener, 2009; Mhangara et al., 2013; Tassetti et al., میباشد( 2010 بصری لحاظ از هم تصوير اشياء بارز خصوصيات از بافت مقادیر مکاني توزيع به و بوده تصوير پردازش لحاظ از هم و آناليز.(Tuceryan et al., (1993 دارد بستگي خاکستری درجه فراهم را کالسها ساختاري ناهمگوني تشخيص بافت همگونی کنتراست به راجع اطالعاتي شامل و یآورد م در میتواند که است غيره و بودن منظم چينخوردگي مؤثر دارند باالیی طیفی شباهت که عوارضی بهتر تفکیک

3 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه 137 / شهری... مناطق در تغییرات شناسایی بهبود آماری استقالل و است منطقه در داده رخ تغییرات ماهیت در نیست. امر این برای کافی شرط تنها ورودی دادههای معیار یک بهینهسازی طریق از تشده نظار روشهای مقابل رد مینمایند. بهینه ویژگیهای تعیین به اقدام هبندی طبق که JM فاصله آنالیز با تفکیکپذیری بررسی آماری تکنیک انتخاب و شناسایی میباشد نظارتشده تکنیکهای جزء چگالی برآورد تخمین مسئله یک عنوان به بهینه ویژگیهای براساس. (Mhangara et al., میشود( 2013 گرفته نظر در احتمال توزیع موضوعی کالس هر نماینده آموزشی دادههای برای JM فاصله و شده برآورد متناظر کالس برای احتمال اساس آن بر و محاسبه کالس دو بین تفکیکپذیری محاسبه. (Mhangara et al., 2013) میگردد انتخاب بهینه ویژگیهای توزیع تابع بودن نرمال بر مبنی روش این اصلی فرض حدآستانه تعیین همچنین و بوده ایراد محل کالسها حاصل نتایج و بوده دشوار امری JM فاصله برای مناسب حدآستانه مناسب تعیین به وابسته کامال تکنیک این از میباشد. تعيينحدودمرزيوتغييراتپوششوکاربریاراضيوتعیین و مسئوالنه برنامهريزي براي زماني فواصل در شهر رشد ساختار آگاهانهدرموردآنها امریضرورياست.ازطرفیسنجندههای و ارزشمند مکانی اطالعات اخذ در باالیی قابلیت ماهوارهای همین و داشته را شهری مناطق از منظم زمانی دورههای در بهروز عنوان به دور از سنجش تصاویر آنالیز تا است شده سبب امر گیرد قرا توجه مورد شهری مناطق شناسایی برای کارآمد روشی (Imhoff et al., 2010; Taubenböcka et al., 2009; Xie et al., 2011). بکارگیری و تولید شهری مناطق خصوصیات به توجه با راه طیفی یهای ویژگ کنار در )بافت( مکانی یهای ویژگ و ماهوارهای تصاویر هبندی طبق نتایج بهبود برای مناسب حلی میباشد شهری مناطق در تغییرات آشکارسازی بهبود متعاقبا بارز ازخصوصيات بافت. (Erener, 2009; Mhangara et al., 2013) پردازش لحاظ از هم و بصری لحاظ از هم تصوير اشياء خاکستری درجه مقادیر مکاني توزيع به و بوده تصوير یدهد م نشان مطالعات.(Tuceryan et al., (1993 دارد بستگي تصاویر در. (Mhangara et al., 2013; Tassetti et al., شود( 2010 واقع مشاهده طیفی باندهای بین باالیی همبستگی دوری سنجشاز تصاویر اصلی باندهای بین در تنها نه همبستگی این میگردد. ویژگیهای بین شدیدتر بطور موارد از بسیاری در بلکه نیز اصلی باندهای روی از شده تولید جدید مکانی و طیفی. (Brumby et al., میگردد( 1999 مشاهده عالوه مسأله با غیرمرتبط و تکراری ویژگیهای وجود مسأله پیچیدگی کاهش یا و صحت بهبود باعث که این بر نیز را محاسبات انجام برای الزم زمان بلکه نمیشوند خاص اثر ویژگی هر.(Brumby et al., (1999 میدهند افزایش بهترین انتخاب بنابراین و داشته عوارض تفکیک در را خود طبقهبندی نتیجه بر توجهی قابل تأثیر ویژگیها از مجموعه داشت. خواهد تغییرات شناسایی نتیجه متعاقبا و استخراج از پس است الزم شده مطرح مسائل به توجه با گونهای به ویژگیها انتخاب طیفی و مکانی ویژگیهای شناسایی صحت متعاقبا و طبقهبندی صحت که گیرد صورت تنها سراسری جستجوی اگرچه یابد. افزایش تغییرات ولی است بهینه ویژگیهای مجموعه به دستیابی تضمین از استفاده است. غیرعملی و زمانبر بسیار فرآیندی عمل در با جدید ویژگیهایی تولید منظور به اصلی مؤلفههای تحلیل فاصله با آماری تفکیکپذیری تکنیک و باال اطالعاتی ارزش پیشین تحقیقات در منظور این برای که است راهحلی JM. (Erener, 2009; Mhangara et al., 2013) است شده پیشنهاد مؤلفههای تحلیل همچون بعد کاهش تکنیکهای گرفته نظر در را دادهها آماری استقالل تنها )PCA( اصلی میزان آنها در که مینماید ههایی مؤلف تولید به اقدام و وابستگی و بیشتر نخستین مؤلفههای در دادهها واریانس وابستگی از کمتر تصویر این نخستین مؤلفههای بین بطور مذکور تکنیک هرچند است. اولیه ویژگیهای بین محتوای با جدید یهای ویژگ تولید به اقدام اتوماتیک نظر این از و مینماید نخستین ههای مؤلف در باال اطالعاتی الگوریتم یک در باال صحت حصول ولی است اهمیت حائز با متناسب ویژگیهای انتخاب به منوط تغییرات شناسایی

4 94 زمستان 96 شماره دوره 24 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 138 کنار در مناسب بافت ویژگیهای از بهرهگیری و تولید که در تصاویر طبقهبندی صحت بهبود سبب طیفی اطالعات.(Mhangara et al., 2013; Tassetti et al., 2010) یشود م ناهمگون مناطق پیکسلپایه طبقهبندی بهبود منظور به (Agüera, (2008 آگورا QuickBird باالی مکانی تفکیک قدرت با تصاویر در ایشان تحقیق نمود. استفاده بافت تحلیل از IKONOS و بافت اطالعات از استفاده اینکه وجود با که نمود مشخص تعیین ولی یشود م هبندی طبق نتایج بهبود سبب تصاویر رویکرد در باالیی اهمیت از همسایگی پنجره مناسب اندازه این و بوده برخوردار بافت اطالعات از بهرهگیری و تولید تفکیک قدرت به توجه با خطا و سعی بصورت باید پارامتر هدف و مطالعه مورد منطقه ویژگیهای و تصاویر مکانی که تحقیقی در (Erener, ارنر( 2009 شود. تعیین طبقهبندی اصلی شهری منطقه در تغییرات آشکارسازی نتایج بهبود منظور به انتخاب مسئله بود داده انجام بافت اطالعات از استفاده با طبقهبندی صحت بهبود منظور به مکانی ویژگیهای بهینه )PCA( اصلی مؤلفههای تحلیل از و داده قرار نظر مد را )همگونی مکانی و طیفی ویژگی فضای بعد کاهش به اقدام گشتاور انتروپی معیار انحراف میانگین عدمشباهت تضاد ویژگیهای به طریق بدین تا وابستگی(نمود. و زاویهای دوم را PCA اول مؤلفه چندین ایشان یابد. دست مستقل و بهینه نمود. انتخاب باال اطالعاتی ارزش با یهای ویژگ عنوان به به (Tassetti et al., همکاران( 2010 و تاستی مشابه تحقیقی در قدرت با تصاویر در تغییرات آشکارسازی نتایج بهبود منظور و آماری دوم مرتبه GLCM روش از باال مکانی تفکیک مؤلفههای تحلیل از و نموده استخراج لبه چگالی تصاویر بهینه ویژگیهای استخراج تکنیک عنوان به )PCA( اصلی کمکی باندهای عنوان به جدید ویژگیهای نمودند. استفاده مؤثر زیاد طیفی ناهمگونیهای با عوارض بهتر تشخیص در با مقایسه در را باالتری طبقهبندی صحت و شده واقع ویژه به بهبود این نمود. فراهم اصلی تصاویر طبقهبندی خالی زمینهای و کشاورزی گونههای بین تمایز قابلیت در در بود. مشهود چشمگیری طور به اندک گیاهی پوشش با تمایز برای طیفی-بافتی تحلیل که شده ادعا تحقیق این باشند ناهمگون خیلی عوارض که هنگامی کالسها دقیقتر تنهایی به طیفی اطالعات حالت این در و است ضروری (Mhangara ادینیet و مانگارا نمیکند. کفایت طبقهبندی برای تصاویر طبقهبندی در بافت آنالیز اهمیت به علم با al., (2013 فرآیند اهمیت مهمتر آن از و شهری مناطق چندطیفی هوایی ویژگیهای تمام بکارگیری بجای بهینه ویژگیهای انتخاب تفکیکپذیری آماری تکنیک از تصاویر از مستخرج به کردند. JMاستفاده فاصله حدآستانهگذاری با کالسها جفت- هر برای JM فاصله محاسبه از پس که نحو این برای متفاوتی حدآستانههای تصویر در محتمل کالس قرار آزمون مورد سعی-خطا بطور بهینه ویژگیهای انتخاب شیءگرا تکنیک منتخب ویژگیهای بکارگیری با گرفت. استفاده مورد کالس 7 در تصویر طبقهبندی برای قانونمبنا طیفی ویژگیهای بکارگیری با داد نشان نتایج گرفت. قرار با مقایسه در باالتری طبقهبندی صحت منتخب مکانی و نتایج همچنین میشود. حاصل اصلی تصاویر طبقهبندی از مستخرج مکانی ویژگیهای بین از داد نشان تحقیق زاویهای دوم ممنتوم میانگین ویژگیهای: GLCM روش مقابل در و نموده فراهم را تفکیکپذیری بهترین انتروپی و ار کارایی پایینترین انحرافمعیار و کورلیشن ویژگیهای دارند. تحقیق روش شناسایی نتایج بهبود منظور به حاضر تحقیق در برای کارآمد چهارچوب یک شهری مناطق در تغییرات ژنتیک الگوریتم بر مبتنی بافت و طیفی ویژگیهای تلفیق تکنیک یک عنوان به ژنتیک الگوریتم میشود. پیشنهاد طیفی بهینه ویژگیهای انتخاب به اقدام کارآمد بهینهیاب آن نتیجه نمود. خواهد زمانی سری تصاویر در بافت و بکارگیری با که میباشد چندزمانی موضوعی نقشههای معرف که تغییرات نقشه طبقهبندی پساز مقایسه رویکرد تولید میباشد منطقه در داده رخ تغییرات ماهیت و محل

5 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) بهبود شناسایی تغییرات در مناطق شهری... / 139 ا ماده سازي و تصوير زمان 2 تصوير زمان 1 تصحيحات انطباق مكاني دو تصوير زمين مرجع كردن استخراج ويژگي هاي طيفي و مكاني (بافت) تعيين ويژگي هاي بهينه طيفي و مكاني (بافت) استخراج ويژگي هاي طيفي و مكاني (بافت) با تكنيك ماتريس رخداد توام تعيين تابع هزينه (ضريب كاپا طبقهبندي) متغيرها (مجموعه ويژگي) و انتخاب پارامترهاي الگوريتم ژنتيك توليد جمعيت اوليه محاسبه مقدار سازگاري بر اساس تابع هزينه انتخاب نخبه به عنوان ويژگي هاي بهينه بله برقراري شرط توقف خير يافتن نخبه و تعيين والدين انجام تقاطع و توليد فرزندان براي نسل جديد انجام جهش روي تعدادي از كروموزوم ها tطبقهبندي تصوير 1 tطبقهبندي 2 تصوير مقايسه نقشههاي موضوعي و ا شكارسازي تغييرات شناسايي تغييرات نگاره 1: الگوریتم روش پیشنهادی )نگارندگان( میشود. مزیت روش پیشنهادی این است که بطور مستقیم صحت شناسایی تغییرات را از طریق بهینهسازی صحت طبقهبندی تصاویر دنبال مینماید. لذا انتظار میرود نسبت به تکنیکهای کاهش بعد که تنها استقالل آماری دادهها را در نظر میگیرند به نتایج بهتری بینجامد. همچنین مزیت روش پیشنهادی نسبت به تکنیک آماری نظارتشده آنالیز تفکیکپذیری کالسها در این است که از هیچگونه پیشفرضی در خصوص دادهها استفاده نکرده و در مرحله تصمیمگیری نهایی نیاز به تعیین تجربی پارامترهای دخیل در انتخاب ویژگیها ندارد. انتظار م یرود در رویکرد پیشنهادی صحت باالیی در نتایج طبق هبندی و متعاقبا در شناسایی تغییرات حاصل شود. روش پیشنهادی وابستگی خاصی به نوع پوشش منطقه و توپوگرافی آن ندارد. هرچند الزم به ذکر است در صورت وجود ناهمواریهای زیاد )توپوگرافی کوهستانی( و احتمال اختالط طیفی برخی از کالسهای پوششی )کالسهایی چون: انواع مرتعها

6 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 24 شماره 96 زمستان 94 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 140 علفزارها و موارد مشابه( تصحیح توپوگرافی باید بعنوان یک پیشپردازش مدنظر قرار گیرد (2009 al.,.(richter et ولی چون در منطقه مورد مطالعه چنین پوششهایی وجود نداشت و منطقه شامل توپوگرافی شدیدی نبود از تصحیح توپوگرافی صرفنظر شد. شایان ذکر است با توجه به ماهیت روش پیشنهادی که مبتنی بر مقایسه پس از طبقهبندی میباشد بکارگیری تصاویر چندزمانه سالیانه 1 )تصاویر اخذ شده در روز یکسانی از سال که دوره رشد )فنولوژیکی( یکسانی دارند( ضرورتی ندارد (2012 al., (Chen et. الگوریتم روش پیشنهادی در نگاره 1 ارائه شده است. دادههای مورد استفاده به منظور ارزیابی تکنیک پیشنهادی در منطقه شهری سهند از یک زوج تصویر سنجندههای IRS-P6 و GeoEye که به ترتیب در 14 جوالی 2006 و 1 سپتامبر 2013 از این شهر اخذ شده بود استفاده شد. تصاویر سنجنده IRS-P6 شامل سه باند طیفی میباشند که به ترتیب مربوط به طیف امواج الکترومغناطیس سبز قرمز و مادون قرمز نزدیک هستند. تصویرسنجنده IRS-P6 از سازمان جغرافیایی نیروهای مسلح جمهوری اسالمی ایران تهیه شد. ویژگی تصویر مذکور در جدول 1 ارائه شده است. تصاویر سنجنده GeoEye-1 شامل سه باند طیفی میباشند که به ترتیب مربوط به طیف امواج الکترومغناطیس سبز قرمز و مادون قرمز نزدیک هستند. سنجنده ماهوارهای GeoEye-1 توانایی تصویربرداری در محدوده پانکروماتیک با قدرت تفکیک مکانی 0/4 متر و چندطیفی با قدرت تفکیک مکانی 1/6 متر را دارد و دوره بازدید آن کمتر از سه روز میباشد. تصاویر این سنجنده برای کشورهای غیرایالت متحده آمریکا با قدرت تفکیک مکانی 0/5 متر عرضه میشود. با توجه به عدم دسترسی به تصویر اصلی سنجنده Geo-Eye تصویر مذکور از نرمافزار Google Earth تهیه شد. تصاویر دانلود شده از این نرمافزار در سه باند مرئی آبی سبز قرمز میباشد. نتایج بررسی کیفیت تصاویر (GE( Google earth با تصاویر اصلی سنجندههای ماهوارهای مشابه در تولید نقشههای پوششی و کاربری اراضی نشان میدهد صحت نقشههای حاصل از طبقهبندی تصاویر GE تنها اندکی پایینتر از صحت نقشههای حاصل از تصاویر اصلی ماهوارهای مشابه است (2013 al., (Hu et ولی با این وجود پایین بودن کیفیت اطالعات طیفی تصاویر GE سبب میشود تا تشخیص برخی از کالسها که شباهت طیفی باالیی دارند )همانند انواع مرتعها علفزارها و سایر پوششهای گیاهی( با مشکل مواجه شود( 2013 al., (Hu et. یافتههای تحقیق (2013 al., (Hu et نشان میدهد تصاویر GE با ویژگیهای خاص خود )اطالعات طیفی پایین ولی اطالعات بافت غنی( میتواند در مناطقی که شامل عوارض منظم با خصوصیات بافت ویژه هستند همچون عوارض دستساز بشر )ساختمان جاده و غیره( جایگزین تصاویر ماهوارهای شوند. با توجه به یافتههای تحقیق نامبرده و بکا رگیری تصاویر GE در این تحقیق سعی شدمنطقهای برای مطالعه موردی انتخاب شود )منطقه شهری شهر جدید سهند( تا تشابه طیفی بین پوششهای اراضی حداقل ممکن بوده و اطالعات بافت نقش موثرتری در تفکیک آنها داشته باشد. جدول 1: قدرت تفکیک مکانی و حساسیت طیفی تصاویر سنجنده IRS-P6 اندازه پیکسل نام طیفی محدوده شماره طیفی( µm ) باند زمینی( m ) Band 2 Green 0/52-0/ Band 3 Red 0/62-0/ Band 4 Near-IR 0/77-0/ Anniversary images with same phenological period

7 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه 141 / شهری... مناطق در تغییرات شناسایی بهبود تحقیق محدوده استان جدیدالحداث شهرهای از یکی سهند جدید شهر موقعیت در ایران لغرب شما در که میباشد آذربایجانشرقی درجه 37 و شرقی طول دقیقه 7/5 و درجه ۴۶ جغرافیایی واقع گرینویچ نصفالنهار از شمالی عرض دقیقه 56/5 و تبریز غربی جنوب کیلومتری ۲۰ در شهر است.این شده ۱۶۰۰ دریا سطح از آن دارد.ارتفاع قرار اسکو شهرستان در ماهور تپه و کوهستانی منطقهای توپوگرافی نظر از بوده متر دادن اسکان سهند جدید شهر احداث از هدف میباشد. گسترده استقبال با که بود تبریز کالنشهر جمعیت سرریز شهر موقعیت 2 نگاره شد. روبهرو کالنشهر این مردم ترکیب 3 نگاره و کشوری تقسیمات نقشه در سهند جدید طبیعی رنگی ترکیب و IRS-P6 سنجنده تصویر کاذب رنگی سالهای در شده اخذ ترتیب به Geo-Eye1 سنجنده تصویر میهد. نشان را سهند جدید شهر از 2013 و 2006 تغییرات شاهد اخیر سالهای طول در سهند جدید شهر زمینهای کاربری تغییرات جهت در غالبا که بوده زیادی پوشش است ذکر به الزم است. بوده شهری کاربری به بایر قبال منطقه این که چرا میباشد بایر اراضی منطقه غالب است بوده )لمیزرع( گیاهی پوشش بدون و بایر بصورت شهر احداث برای جغرافیایی خاص موقعیت جهت به که کالسهای زمان مرور به و شده برگزیده سهند جدید حال در است. آمده بوجود منطقه این در جدیدی پوششی و ارتباطی راههای ساختمانی کهای بلو بایر اراضی حاضر موجود کاربری و پوششی کالسهای عمده گیاهی پوشش میباشد. منطقه این در کالس نوع دو شامل خود بایر اراضی اینکه به توجه با یکدیگر با زیادی اختالف طیفی نظر از که بود متفاوت تیرهبایر موضوعی کالس دو در بایر اراضی داشتند طبقهبندی طرح و تغییرات شناسایی در روشنبایر و بوده طبیعی بایر اراضی به مربوط تیره بایر گردید. منظور که میباشد بایری مناطق به مربوط روشن بایر اراضی و شهری ساز و ساخت منظور به اراضی تسطیح جهت به متفاوت کالس یک ذاتا و داشته تصاویر در باالیی بازتاب شامل: غالب موضوعی کالس 5 کل در میباشد. موضوعی پوشش 3- ارتباطی راههای 2- ساختمانی بلوکهای 1- و شده منظور روشن بایر 5- و تیره بایر 4- گیاهی نظر در با گرفت. قرار مطالعه مورد آنها بین محتمل تغییرات در واقعی تغییرات بررسی و موضوعی کالس 5 این گرفتن شناسایی طرح در موضوعی کالس 5 بین کالس 12 منطقه راه-به- ساختمان-به-ساختمان : C2 صورت: C1 به تغییرات پوشش تیره : C5 راه-به-بایر :C4 راه-به-راه ساختمان : C3 )نگارندگان(. کشوری تقسیمات نقشه در سهند جدید شهر موقعیت 2: نگاره

8 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 24 شماره 96 زمستان 94 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 142 نگاره 3: از چپ به راست ترکیب رنگی کاذب تصویر سنجنده IRS-P6 و ترکیب رنگی طبیعی تصویر سنجنده Geo-Eye به ترتیب اخذ شده در سالهای 2006 و 2013 از شهر جدید سهند. )مأخذ: سازمان جغرافیایی نیروهای مسلح( گیاهی-به-پوشش گیاهی : C6 بایر تیره-به-ساختمان :C7 بایر تیره-به-بایر تیره : C8 بایر تیره-به-بایر روش : C9 بایر روشن-به-ساختمان : C10 بایر روشن-به-راه : C11 بایر روشن-به-بایر تیره و: C12 بایر روشن-به-بایر روشن در نظر گرفته شد. مفاهیم دیدگاهها و مبانی نظری تکنیک پیشنهادی در این تحقیق از الگوریتم ژنتیک برای انتخاب ویژگیهای طیفی و مکانی )بافت( بهینه در جهت بهبود شناسایی تغییرات در مناطق شهری استفاده مینماید. لذا در ادامه مفاهیم ضرورت و نحوه استخراج آنها از تصاویر رقومی تشریح شده و سپس مبانی نظری تکنیک پیشنهادی ارائه میگردد. ویژگیهای طیفیمورد استفاده در این تحقیق از ترکیب کلیه حالتهای دوبهدوی ممکن باندهای اصلی تصویر مشابه رابطه )1( به دست میآید.این رابطه مشابه رابطهای است که در تولید ویژگی شاخص گیاهی نرمالیزه شده )NDVI( از باندهای قرمز و مادونقرمز نزدیک برای تشخیص گیاهان استفاده میشود. برای تصاویر 3 باندی بکار گرفته شده در این تحقیق 3 ویژگی طیفی مشابه رابطه )1( قابل استخراج است.به دلیل عدم امکان استخراج رادیانس و بازتابندگی از تصاویر GE از درجات خاکستری )DN( برای استخراج ویژگیهای طیفی استفاده میشود( 2013 al.,.(hu et در رابطه ) 1 ( وبه ترتیب بیانگر مقدار درجات خاکستری در باندهای طیفی i و j میباشد) i j.)i=1,2,3, j=1,2,3, رابطه 1 استخراج ویژگیهای طیفی و مکانی ویژگیهای طیفی معموال شناسایی الگو با بکارگیری باندهای اصلی تصاویر سنجشاز دوری نتایج رضایت بخشی نداشته لذا در جهت باالبردن امکان شناسایی و تفکیک عوارض از ویژگیهای طیفی و مکانی )بافت( استفاده میشود. ویژگیهای مکانی )بافت( بافت به عنوان یک ویژگی مکانی ارتباط مکانی بین درجات خاکستری پیکسلهای تصویر را مدل نموده و تأثیر بسیار زیادی در تشخیص الگوهایی با بافت متفاوت در تصویر دارد که معموال این تفاوتها تنها با بکارگیری مقادیر طیفی اصلی تصاویر قابل تشخیص نیست. برای تولید

9 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه 143 / شهری... مناطق در تغییرات شناسایی بهبود درجات تعداد بیانگر Ng روابط این خاکستري.)در درجات هماتفاق ماتريس از استخراج قابل بافت ویژگیهای 2: جدول پیکسلهایی زوج رخداد نسبی فرکانس بیانگر P(i,j( و بوده تصویر( رادیومتریکی تفکیک )قدرت تصویر در موجود خاکستری دارند(. فاصله یکدیگر از پیکسل d اندازه به θ راستای در که میباشد تصویر سطح در i و j خاکستری درجات با بافت ویژگی میانگین واریانس فرمول توضیحات چگونگی که چرا بود نخواهد خاکستری درجات ساده برابرمیانگین میانگین این آن محاسبه در مختلف خاکستری درجات دارای زوجپیکسلهای تعداد و پخش است. تأثیرگذار خاکستری درجات صورتیکه در میدهد. نشان را خاکستری درجات توزیع نحوه بود. خواهد بزرگ واریانس باشند شده پخش وسیع بطور کنتراست زمانی است. خاکستری درجات محلی تفاوتهای میزان اندازهگیری برای معیاری خواهد باالتر کنتراست اندازه دارند باالتری خاکستری درجه تفاوت همسایهها که است بافت بودن غیریکنواخت بیانگر که بود Dis= بیشباهتی انتروپی همگنی درجات تفاوت با برابر وزنی که تفاوت این با دارد کنتراست به زیادی شباهت اختالف دوم توان کنتراست در درحالیکه میشود داده ماتریس به خاکستری میشود. استفاده وزن بعنوان باشد بزرگتر انتروپی هرچه است خاکستری درجات زوج توزیع بودن اتفاقی معیار ناهمگن بافت نشانگر باال انتروپی بود. خواهد تصادفیتر خاکستری درجات توزیع است. همگن بافت نشاندهنده پایین انتروپی و تصویر بخشهای با تصاویری برای میکند اندازهگیری را پیکسل جفت یک محلی یکنواختی بود. خواهد باالتر معیار این بزرگ همگن وابستگی نشان را همسایگانش به پیکسل خاکستری درجه خطی وابستگی پارامتر این باشد. تصویر در موجود اشیاء اندازه برای معیاری میتواند که میدهد زاویهای گشتاور دوم)انرژی( نشان را تکراری جفتپیکسلهای تعداد است. نرمی اندازهگیری برای معیاری کامل یکنواختی عدم صورت در و 1 آن مقدار کامل یکنواختی حالت در میدهد. است. صفر به نزدیک بسیار داده توسعه مختلفی روشهای )بافت( مکانی ویژگیهای را تکنیکها این (Tuceryan et al., (1993 توسریان است. شده و مدلمبنا هندسی آماری تکنیکهای: کلی دسته چهار به است.تکنیک نموده تقسیمبندی )فیلترینگ( سیگنال پردازش از 1 )GLCM( خاکستري درجات هماتفاق ماتريس آماری سنجشاز تصاویر از بافت استخراج تکنیکهای کارآمدترین ابعاد با مربعی ماتریس یک ماتریس این میباشد. دوری در موجود خاکستری درجات تعداد Ng که است Ng Ng هر میباشد. تصویر( رادیومتریکی تفکیک )قدرت تصویر که است پیکسلهایی زوج تعداد بیانگر ماتریس این درایه 1- Gray Level cooccurance Matrix

10 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 24 شماره 96 زمستان 94 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 144 در سطح تصویر دارای درجات خاکستری j و i بوده و در راستای θ از یکدیگر به اندازه d پیکسل فاصله دارند.بعد از محاسبه ماتریس هماتفاق میتوان پارامترهای مختلف بافت تصویر را از آن استخراج نمود.در این تحقیق از تکنیک مذکور برای استخراج بافت در تصاویر دوزمانه استفاده شد.جدول )2( بطور خالصه مهمترین ویژگیهای بافت قابل استخراج از GLCM که در این تحقیق بکار گرفته شده است را نشان میدهد. انتخابویژگیهایطیفیومکانیبهینهباالگوریتمژنتیک یکی از چالشهایی که همواره بعد از تولید بافت و ویژگیهای طیفی در فرآیند طبقهبندی یا شناسایی تغییرات پیش میآید تشکیل فضای ویژگی بهینه میباشد. فضای ویژگی بهینه فضایی است که ویژگیهای تکراری و غیر مرتبط با حل مسأله از آن حذف شده است. میتوان مسئله انتخاب ویژگیهای بهینه در شناسایی تغییرات را یک مسئله بهینهسازی در نظر گرفته و از تکنیکهای بهینهسازی برای یافتن جواب بهینه بهره گرفت. تکنیک بهینهسازی پیشنهادی برای پاسخدهی به این مسئله الگوریتم ژنتیک میباشد. الگوریتم ژنتیک جزء الگوریتمهای جستجوی تصادفی و فراابتکاری جمعیت مبنا میباشد که از اصول انتخاب طبیعی داروین برای یافتن فرمول بهینه جهت پیشبینی یا تطبیق الگو استفاده میکنند. اثبات شده است که الگوریتم ژنتیک در فضاهای جستجوی بزرگ و غیرخطی عملکرد مناسبی داشته است. مسأله انتخاب ویژگیهای بهینه نیز یک مسأله جستجو در فضای غیرخطی است. زیرا صحت طبقهبندی تابعی غیرخطی از ترکیب ویژگیهای ورودی است. تعداد حاالت ممکن انتخاب در یک فضای با n ویژگی برابر با 2 n میباشد. الگوريتم ژنتيك مسئله جستجو یا بهینهسازی را به صورت مجموعهاي از رشتهها كه شامل بیتها هستند كدگذاري ميكند سپس براي تحريك فرآيند تكامل تدريجي تغييراتي را بر روي رشتهها اعمال ميدارد. در طي این فرآیند الگوريتم ژنتيك رشتههاي متناسب با شایستگی باال را برميگزيند و آن دسته از رشتههايي را كه شایستگی كمتري دارند حذف ميشوند (1988 al., (Goldberg et هر کدام از افراد جمعیت تقریبهایی از جواب نهایی است. این افراد یا جوابها به صورت رشتههایی از حروف یا ارقام کدگذاری میشوند. این رشتهها را کروموزوم مینامند. دوعملگر تقاطع و جهش در تمام الگوریتمهای ژنتیک کاربرد دارند و عملگرهای کلیدی برای رسیدن به جواب بهینه هستند. بعد از مراحل تقاطع و جهش کروموزومها از حالت کدشده خارج میشوند و مقدار تابع شایستگی محاسبه و به آن اختصاص داده میشود. حال اگر الزم باشد نگاره 4: نمایش تاثیر پارامتر اندازه پنجره همسایگی در تولید ویژگی بافت. از چپ به راست به ترتیب: باند سبز تصویر IRS-P6 ویژگی همگنی در پنجرههایی با ابعاد 3 3 و 5 5 )نگارندگان(.

11 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه 145 / شهری... مناطق در تغییرات شناسایی بهبود این طول در میگیرد. انجام تقاطع و انتخاب مراحل دوباره جوابها جمعیت متوسط کارایی که میرود انتظار فرآیند خاصی هدف که مییابد پایان وقتی الگوریتم یابد. افزایش شده ایجاد نسل مشخصی تعداد مثال عنوان به شود. برآورده مشخصی مقدار به افراد شایستگی میانگین انحراف باشد شود. حاصل جستجو فضای در خاص نقطه یک یا و برسد داده نشان 1 نگاره در ژنتیک الگوریتم عملکرد کلی مراحل است. شده بحث فرآیند برای دوزمانه تصاویر آمادهسازی جهت در با Geo-Eye سنجنده تصویر ابتدا تغییرات شناسایی اب سپس و زمینمرجعشده ENVI 4.8 نرمافزار بکارگیری در شد. مجدد برداری مترنمونه 5 مکانی تفکیک قدرت به نسبت نیمپیکسل از کمتر خطای با IRS-P6 تصویر ادامه ویژگیهای سپس شد. هممرجع Geo-Eye سنجنده تصویر رابطه با Geo-Eye1 و IRS تصاویر از یک هر بافت و طیفی شد. استخراج 2 جدول روابط و 1 همسایگی پنجره GLCM تکنیک با بافت استخراج در کیفیت در چشمگیری تأثیر و بوده مهمی بسیار پارامتر اندازه تغییر صورت در دارد. مستخرج بافت ویژگیهای خصوصیات استخراجی ویژگیهای همسایگی پنجره 1 همگنی ویژگی 4 نگاره در داشت. خواهند متفاوتی همسایگی پنجره دو در تصویرIRS-P6 سبز باند از مستخرج داده نشان مربوطه طیفی باند کنار 5 5 در و 3 3 ابعاد با تغییر است مشخص 4 نگاره در که همانطور است. شده بافت خصوصیات در زیادی بسیار تأثیر همسایگی اندازه پارامتر مناسب تعیین برای مشخصی راهکار دارد. مستخرج تصاویر خصوصیات به و نداشته وجود همسایگی پنجره دارد. بستگی مطالعه مورد منطقه و استفاده مورد این برای مختلف مقادیر بررسی مناسب راهکار یک مطالعه مورد منطقه و تصویر خصوصیات با متناسب پارامتر پنجره دو منظور همین به. (Myint et al., (2004 میباشد پارامتر این برای 5 5 و ابعاد 3 3 با مربعشکل همسایگی مطابق بافت ویژگی 8 همسایگی هر در و شده مفروض بافت ویژگیهای تعداد بنابراین شد. استخراج 2 جدول با کل تعداد و بوده 8 2 = 16 برابر طیفی باند هر از مستخرج IRS-P6 سهباندی تصاویر از یک هر )در بافت ویژگیهای ویژگی 48 این میباشد = 48 برابر )Geo-Eye1 و و )1( رابطه از مستخرج طیفی ویژگی 3 همراه به بافت از هریک باندی 54 ویژگی فضای تصاویر اصلی باند 3 نمود. ایجاد را دوزمانه تصاویر ویژگی درفضای بهینه ویژگیهای انتخاب/استخراج 2006( )سال IRS تصویر فضای بهینه ویژگیهای تولید یا و انتخاب منظور به مؤلفههای تحلیل تکنیکهای از استفاده با IRS تصویر ویژگی ادامه در و شده کاوش تفکیکپذیریآماری تکنیک و اصلی و پیادهسازی ژنتیک الگوریتم بر مبتنی پیشنهادی تکنیک شد. مقایسه مذکور تکنیکهای با آن از حاصل نتایج باندیIRS 54 ویژگی فضای روی PCA اعمال از بعد کمینه تا بیشینه اطالعاتی محتوای با جدیدی مؤلفههای بعد کاهش تکنیکهای که داشت توجه باید شد. حاصل و تغییرات ماهیت گرفتن نظر در بدون PCA همچون نظر در را دادهها آماری استقالل تنها منطقه خصوصیات اطالعاتی ارزش با نخستین مؤلفههای تعداد تعیین یگیرد. م دشوار است تکنیک این در بهینه ویژگیهای معرف که باال پارامتر این برای مختلف مقادیر آزمون جز راهکاری و بوده تعداد برای مختلفی مقادیر تحقیق این در لذا ندارد. وجود حالت بهترین در گرفت. قرار آزمون مورد نخستین مؤلفههای ضریب میباشد اول مؤلفهی 53 انتخاب با مصادف که برابر %77/91 شباهت بیشترین طبقهبندیکننده کاپای تکنیک میدهد نشان تکنیک این از حاصل نتایج میباشد. مورد تصویر طبقهبندی صحت بهبود در ناچیزی تأثیر PCA از طبقهبندی کاپای ضریب که طوری است. داشته آزمون 1- Homogeneity

12 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 24 شماره 96 زمستان 94 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 146 %77/80 )با بکارگیری کل ویژگیها( به %77/91 افزایش پیدا کرده است. در تکنیک تفکیکپذیری آماری مقدار فاصله JM برای هریک از ترکیبات دوتایی کالسهای موضوعی )بلوکهای ساختمانی جادههای ارتباطی پوشش گیاهی اراضی بایر تیره و اراضی بایر روشن( در هریک از ویژگیهای طیفی و بافت محاسبه شد. تعیین حدآستانه مناسب برای فاصله JM دراین تکنیک امری دشوار بوده و الزم است بطور سراسری جستجو شود. در این تحقیق بازه ]2 و 0/0[ با فواصل 0/02 مورد آزمون قرار گرفته و ضریب کاپای طبقهبندی به عنوان معیار شایستگی حدآستانه مذکور منظور شد. در هر حدآستانه منتخب ویژگیهایی که فاصله JMباالتری از حدآستانه مورد آزمون در جفت-کالسهای ممکن داشته باشند به عنوان ویژگیهای بهینه انتخاب شده و در طبقهبندی دادههای ارزیابی مورد استفاده قرار میگیرند. نتایج نشان داد با افزایش مقدار حدآستانه فاصله JM از 0 تا 2 در ابتدا یک روند افزایشی در صحت طبقهبندی مشاهده شده و سپس بعد از رسیدن به مقدار 1/54 نمودار سیر نزولی داشته و کاهش بسیار زیادی در صحت طبقهبندی مشاهده میشود که نشان دهنده مناسب نبودن ویژگیهای منتخب میباشد. در بهترین حالت )حدآستانه 1/54( ضریب کاپای طبقهبندی %79/67 میباشد که در حدود %1/87 بهتر از حالتی است که از تمامی ویژگیهای طیفی و بافت استفاده میشود. در تحقیق حاضر انتخاب ویژگیهای بهینه در فضای ویژگی طیفی-بافت با الگوریتم ژنتیکی با پارامترهای معرفی شده در جدول 3 انجام شد. نمودار 1 تغییرات ضریب کاپای بهترین عضو الگوریتم ژنتیک در هر نسل و روند همگرایی این الگوریتم را نشان میدهد. همانطور که مشاهده میشود الگوریتم با رسیدن به تابع شایستگی )ضریب کاپای( %89/75 روند ثابت پیدا کرد و همگرا شده است. همانطور که انتظار میرفت استفاده از تکنیک بهینهسازی الگوریتم ژنتیک در انتخاب بهترین مجموعه از بین ویژگ یهای طیفی و بافت سبب حصول صحت باال در مقایسه با سایر تکنیکهای انتخاب/ استخراج ویژگی شده است. جدول 3: پارامترهای الگوریتم ژنتیک طراحی شده به منظور انتخاب ویژگیهای طیفی و مکانی )بافت(. توضیحات پارامتر نحوه کدگذاري کروموزوم طول کروموزوم تعداد جمعیت هر نسل تابع شايستگي نحوه انتخاب والدین تابع تقاطع نرخ تقاطع نرخ جهش معیار توقف باینری ضریب کاپای طبقهبندی حداکثر شباهت 1 تورنمنت دو نقطهای %80 %20 تعداد نسل= 100 میانگین اختالف نسبی مقدار تابع شایستگی بهترین عضو= 6-1eو همگرایی معیار شایستگی = 50 انتخاب/استخراج ویژگیهای بهینه درفضای ویژگی تصویر Geo-Eye1 )سال 2013( بعد از اعمال PCA روی فضای ویژگی 54 باندی Geo- Eye1 مولفههای جدیدی با محتوای اطالعاتی بیشینه تا کمینه حاصل شد. همانطور که قبال بیان شد تعیین تعداد مولفههای نخستین با ارزش اطالعاتی باال که معرف ویژگیهای بهینه در این تکنیک است دشوار بوده و راهکاری جز آزمون مقادیر مختلف برای این پارامتر وجود ندارد. لذا مشابه تصویر IRS در این تصویر نیز مقادیر مختلفی برای تعداد 1- Tournament

13 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه 147 / شهری... مناطق در تغییرات شناسایی بهبود طبقهبندی کاپای ضریب تغییرات 1: نمودار تکنیک بر مبتنی 2006( )سال تصویرIRS-P6 ژنتیک(. )الگوریتم پیشنهادی طبقهبندی کاپای ضریب تغییرات 2: نمودار تکنیک بر مبتنی 2013( )سال Geo-Eye1 تصویر پیشنهادی. داد نشان نتایج گرفت. قرار آزمون مورد نخستین مولفههای طبقهبندی در استفاده مورد اصلی مولفههای تعداد افزایش با داشته افزایشی روند طبقهبندی صحت Geo-Eye1 تصویر اول مؤلفه 52 انتخاب با مصادف که حالت بهترین در و هک میباشد %79/42 برابر طبقهبندی کاپای ضریب میباشد با طیفی-مکانی ویژگیهای تمامی با طبقهبندی از بهتر کمی میباشد. کاپای %78/77 ضریب افزایش با JM فاصله با آماری تفکیکپذیری تکنیک در افزایش یک ابتدا 0/01 در 0 تا از JM فاصله حدآستانه مقدار شده مشاهده تصویرGeo-Eye1 طبقهبندی صحت در جزئی آن از بعد و داشته ثابتی روند 1/01 حدآستانه تا سپس و انتخاب با داد. نشان را کاهشی روند یک کل در نمودار ویژگیهای تمامی 0/01[ ]1/01 )بازه حدآستانه بهترین الگوریتم عمال و داشته حضور طبقهبندی در طیفی-مکانی را بهینه ویژگیهای داده سری این در است نتوانسته JM نماید. انتخاب الگوریتم عضو بهترین کاپای ضریب تغییرات 2 نمودار نشان را الگوریتم این همگرایی روند و نسل هر در ژنتیک رسیدن با الگوریتم میشود مشاهده که همانطور میدهد. پیدا ثابت روند %85/92 کاپای( )ضریب شایستگی تابع به در میرفت انتظار که همانطور است. شده همگرا و کرد الگوریتم بهینهسازی تکنیک از استفاده نیز داده سری این ویژگیهای بین از مجموعه بهترین انتخاب در ژنتیک سایر با مقایسه در باال صحت حصول سبب مکانی و طیفی شد. ویژگی انتخاب/استخراج تکنیکهای تکنیکها ارزیابی و مقایسه )سال 2006 ( اینبخش نتایجطبقهبندیتصاویرIRS-P6 در تکنیکهای و پیشنهادی تکنیک 2013 (با )سال Geo-Eye1 و آنالیز با آماری تفکیکپذیری و )PCA( اصلی ههای مؤلف تحلیل

14 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 24 شماره 96 زمستان 94 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 148 فاصله JM به صورت ضریب کاپا و صحت کلی طبقهبندی و سپس صحت نقشه تغییرات مورد بررسی قرار میگیرد. نمودار 3 نتایج حاصل از پیادهسازی تکنیک پیشنهادی )الگوریتم ژنتیک( به همراه تکنیکهای PCA و JM را به صورت ضریب کاپا و صحت کلی طبقهبندی تصویر IRS-P6 )سال 2006( نشان میدهد. در این نمودار همچنین نتایج طبقهبندی تصاویر در دو حالت پایه: 1- بکارگیری باندهای اصلی تصاویر و 2- بکارگیری تمام ویژگیهای طیفی-مکانی )بافت( ارائه شده است. با بررسی نمودار 3 مشخص میشود که بکارگیری ویژگیهای طیفی و بافت در کنار باندهای اصلی سبب افزایش ضریب کاپای طبقهبندی از %51/24 به %77/80 و صحت کلی از %62/88 به %83/62 شده است. انتخاب/استخراج ویژگیهای در فضای ویژگی سبب بهبود دوباره نتایج طبقهبندی تصویر مورد نظر شده است. بهترین نتایج طبقهبندی زمانی حاصل شده است که ویژگیهای مکانی-طیفی بهینه با تکنیک پیشنهادی انتخاب شدهاند. ضریب کاپای و صحت کلی طبقهبندی تصویر IRS-P6 در حالت بکارگیری الگوریتم پیشنهادی به ترتیب برابر %89/76 و %92/40 میباشد. با اختالف قابلمالحظه در نتایج طبقهبندی در مرتبه بعدی تفکیکپذیری آماری )JM( و مرتبه پایینتر تکنیک کاهش بعد PCA قرار دارد که بهبود بسیار اندکی را در مقایسه با حالت بکارگیری تمامی ویژگیهای طیفی-مکانی نتیجه داشته است. نگاره 5 -ستون چپ نقشه موضوعی حاصل از طبقهبندی تصویر IRS-P6 )سال 2006( با تکنیک پیشنهادی )بهترین تکنیک انتخاب ویژگی( را به همراه دو حالت پایه: 1- بکارگیری باندهای اصلی تصاویر و 2- بکارگیری تمام ویژگیهای طیفی-مکانی نشان میدهد که مقایسه بصری این نقشهها نشان میدهد بکارگیری ویژگیهای مکانی سبب بهبود قابل توجهی در نتایج طبقهبندی اغلب کالسها بخصوص در تفکیک کالسهایی با مشابهت طیفی باال همچون اراضی بایر تیره از بلوکهای ساختمانی و راههای ارتباطی شده است. الزم به ذکر است در صورت بکارگیری تمامی ویژگیهای مکانی بدون فیلتر کردن آنها اوال صحت مکانی لبههای عوارض کاهش مییابد و ثانیا ویژگیهایی با ارزش اطالعاتی پایین بکار گرفته میشوند. هر دو این عوامل کاهش نتایج طبقهبندی را بدنبال دارد. افزایش صحت طبقهبندی با بکارگیری تکنیک پیشنهادی مؤید ضرورت انتخاب ویژگیهای بهینه بجای بکارگیری تمامی ویژگیهای مستخرج از تصاویر است. در نمودار 4 نتایج حاصل از پیادهسازی تکنیک پیشنهادی )الگوریتم ژنتیک( به همراه تکنیکهایPCA و JMو دو حالت پایه مذکور به صورت ضریب کاپا و صحت کلی طبقهبندی تصویر Geo-Eye1 )سال 2013( نشان داده شده است. با بررسی نمودار 4 مشخص میشود که مشابه نتایج حاصل از سری داده اول بکارگیری ویژگیهای طیفی و بافت در کنار باندهای اصلی سبب بهبود نتایج طبقهبندی تصویر Geo-Eye1 بصورت افزایش ضریب کاپای طبقهبندی از %49/24 به %78/77 و افزایش صحت کلی از %62/12 به %86/95 شده است. نمودار 4 بیانگر قابلیت نمودار 3: ضریب کاپا و صحت کلی طبقهبندی تصویر IRS-P6 )سال 2006( حاصل از پیادهسازی تکنیک پیشنهادی )GA( و تکنیکهای PCA و JM به همراه دو حالت پایه.

15 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) بهبود شناسایی تغییرات در مناطق شهری 149 /... نگاره 5 ستون سمت چپ : نقشه موضوعی حاصل از طبقه بندی تصویر ( IRS-P6 سال )2006 از باال به پایین به ترتیب با : بکارگیری باندهای اصلی تصاویر بکارگیری تمام ویژگی های طیفی - مکانی (بافت) و انتخاب ویژگی با تکنیک پیشنهادی. باالی تکنیک پیشنهادی مبتنی بر الگوریتم ژنتیک در مقایسه با سایر تکنیک های متداول انتخاب / استخراج ویژگی های است. طوری که بهترین نتایج طبقه بندی زمانی حاصل شده است که ویژگی های طیفی و بافت بهینه با الگوریتم ژنتیک انتخاب شده اند. ضریب کاپای و صحت کلی طبقه بندی تصویر Geo-Eye1 در حالت بکارگیری الگوریتم پیشنهادی به ترتیب برابر %85/92 و %91/33 می باشد. با اختالف قابل مالحظه در نتایج طبقه بندی در مرتبه بعدی تکنیک کاهش بعد PCA و سپس تفکیک پذیری آماری ( )JM قرار دارد که بهبود بسیار اندکی را در مقایسه با حالت بکارگیری تمامی ویژگی های طیفی - مکانی نتیجه داشته است. در نگاره 5 نقشه موضوعی حاصل از طبقه بندی تصویر Geo-Eye1

16 94 زمستان 96 شماره دوره 24 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 150 طبقهبندی کلی صحت و کاپا ضریب 4: نمودار از حاصل 2013( )سال Geo-Eye1 تصویر تکنیکهای و )GA( پیشنهادی تکنیک پیادهسازی پایه. حالت دو همراه به JM و PCA نقشه کلی صحت و کاپا ضریب 5: نمودار سالهای فواصل در سهند جدید شهر تغییرات Geo- )تصویر 2013 )IRS-P6 )تصویر 2006 پیشنهادی تکنیک پیادهسازی از حاصل )Eye1 پایه. حالت دو همراه به )GA PCA JM( انتخاب تکنیک )بهترین پیشنهادی تکنیک با 2013( )سال است. شده داده نشان مذکور پایه حالت دو همراه به ویژگی( )تصاویر زمانی سری موضوعی نقشههای تهیه از بعد پساز مقایسه رویکرد بکارگیری با 2013( و 2006 سال محل معرف که مطالعه مورد منطقه تغییرات نقشه طبقهبندی ضریب 5 نمودار شد. تولید میباشد تغییرات ماهیت و در را سهند جدید شهر تغییرات نقشه کلی صحت و کاپا تکنیک پیادهسازی از حاصل 2013 و 2006 سالهای فاصله به را PCA تکنیکهایJM و ژنتیک( )الگوریتم پیشنهادی میدهد. نشان پایه حالت دو همراه در پیشنهادی تکنیک باالی قابلیت بیانگر 5 نمودار تغییرات شناسایی فرآیند در بهینه ویژگیهای انتخاب حالت در تغییرات نقشه کلی صحت و کاپا ضریب میباشد. و %88/49 برابر ترتیب به پیشنهادی الگوریتم بکارگیری باندهای بکارگیری حالت با مقایسه در که میباشد %90/39 پیدا افزایش %31/45 و ترتیب %34/83 به تصاویر اصلی ویژگیهای تمامی بکارگیری حالت با مقایسه در و کرده کرده پیدا افزایش %6/26 و %7/67 ترتیب به طیفی-بافت تغییرات شناسایی نتایج در قابلمالحظه اختالف با است. تکنیکهای بعدی مرتبه در پیشنهادی الگوریتم به نسبت در %0/23 و %0/55 افزایش سبب تنها ترتیب به JMوPCA ویژگیهای تمامی بکارگیری حالت به نسبت کلی صحت تکنیک از استفاده شدهاند. تغییرات شناسایی در طیفی-بافت در کاربر و تولیدکننده صحت افزایش سبب پیشنهادی کمی بسیار سهم )که 2 و 10 کالس استثناء به کالسها تمامی صحت که طوری است. شده دارند( را منطقه تغییرات در کالسهای کاربر( و )تولیدکننده %25/36 %40/65 %3/46 %6/02 ترتیب به 12 و 11 %8/69 و %28/19 %12/24 و %31/2 %32/04 %17/98 طیفی-بافت ویژگیهای تمامی بکارگیری حالت به نسبت کاربر صحت کاهش مشکل همچنین است. یافته افزایش و )3 کالسها از برخی در تولیدکننده و در که ناکارآمد بافت و طیفی ویژگیهای بکارگیری با 12( مشاهده بافت و طیفی ویژگیهای تمامی بکارگیری حالت کالسهای در تنها و شده رفع چشمگیری بطور بود شده راههای و بایر کالسهای به مربوط که 12 و بکارگیری حالت به نسبت تولیدکننده صحت است ارتباطی است. پایین اندکی اصلی باندهای

17 ) ( جغرافيايي اطالعات پژوهشي - علمی فصلنامه 151 / شهری... مناطق در تغییرات شناسایی بهبود نتیجهگیری و جمعبندی کنار در )بافت( مکانی ویژگیهای بکارگیری و تولید طبقهبندی نتایج بهبود برای مناسب حلی راه طیفی ویژگیهای در تغییرات آشکارسازی بهبود متعاقبا و ماهوارهای تصاویر آشکارسازی نتایج احتمالی بهبود میباشد. شهری مناطق بافت و طیفی ویژگیهای از بهرهگیری حالت در تغییرات مناسب ویژگیها این که شد خواهد تضمین صورتی در تنها طیفی-بافت ویژگیهای تجربی انتخاب باشند. ارزشمند و امکانپذیر عملی نظر از گاها و بوده نبر زما فرآیندی بهینه تنها تکنیکPCA همچون بعد کاهش تکنیکهای نیست. را الزم کارایی و گرفته نظر در را دادهها آماری استقالل ویژگیهای انتخاب برای مناسب حدآستانه تعیین ندارند. عمال نیز JM فاصله با آماری تفکیکپذیری تکنیک در بهینه الگوریتم از حاضر تحقیق در میکاهد. تکنیک این کارایی از بافت و طیفی یهای ویژگ مجموعه انتخاب برای ژنتیک پیشفرضی هیچگونه از پیشنهادی تکنیک شد. استفاده بهینه صحت مستقیم بطور و نکرده استفاده دادهها خصوص در مینماید. دنبال را تغییرات شناسایی صحت و/یا طبقهبندی شناسایی در باالتری صحت به میرفت که انتظاری طبق لذا شهر انجامید.تغییرات تکنیکها سایر با مقایسه در تغییرات و IRS-P6 سنجندههای تصاویر بکارگیری با سهند جدید تکنیک با 2013 و 2006 سالهای در شده اخذ Geo-Eye1 تحلیل تکنیکهای از حاصل نتایج با و استخراج پیشنهادی آنالیز با آماری تفکیکپذیری و )PCA( اصلی مؤلفههای طبقهبندی صحت مقایسه مبنای شد. مقایسه JM فاصله نشان نتایج بود. تغییرات نقشه صحت و تکزمانه تصاویر بهینه طیفی-بافت ویژگیهای از استفاده صورت در داد طبقهبندی صحت ویژگی فضای تمامی از بهرهگیری بجای دو هر در یافت. خواهد بهبود تغییرات شناسایی صحت و زمانی طبقهبندی نتایج بهترین Geo-Eye1 و IRS-P6 تصویر الگوریتم با بهینه طیفی-بافت ویژگیهای که شد حاصل صحت و کاپای ضریب شدند. انتخاب )ژنتیک( پیشنهادی پیشنهادی الگوریتم بکارگیری حالت در تغییرات نقشه کلی مقایسه در که میباشد %90/39 و %88/49 برابر ترتیب به و کاپا ضریب تصاویر اصلی باندهای بکارگیری حالت با کرده پیدا افزایش %31/45 و ترتیب %34/83 به کلی صحت طیفی- ویژگیهای تمامی بکارگیری حالت با مقایسه در و است. کرده پیدا افزایش %6/26 و %7/67 ترتیب به بافت در ژنتیک الگوریتم اجرای زمان است ذکر به الزم البته در است طوالنیتر آزمون مورد تکنیکهای سایر با مقایسه اجرای زمان بر تغییرات شناسایی نتایج صحت که صورتی انتخاب باشد داشته ارجحیت تغییرات شناسایی فرآیند میشود. توصیه کامال ژنتیک الگوریتم روش شهر در حادث تغییرات عمده داد نشان تحقیق ننایج تغییر نوع از 2013 تا 2006 سالهای فاصله در سهند جدید همچنین و ساختمانی بلوکهای به روشن و تیره بایر اراضی همگی که است روشن بایر اراضی به تیره بایر اراضی تغییر بر میباشد. شهری منطقه گسترش بیانگر تغییرات این محدوده در تحقیق این در تولیدشده تغییرات نقشه اساس 2013( سپتامبر 1 و 2006 جوالی مطالعه) 14 مورد زمانی روشن( و )تیره بایر اراضی از کیلومترمربع 1/93 حدود در از کیلومترمربع 2/04 حدود در و ساختمانی بلوکهای به که است شده تبدیل روشن بایر اراضی به تیره بایر اراضی دارد. منطقه این در شهری گسترش احتمالی برنامه از نشان راهکارها و پیشنهادها نتایج پیشبرد برای ارائه قابل راهکارهای و پیشنهادها انتخاب 2- و استخراج زمینه: 1 - دو در میتوان را تحقیق ویژگیهای بر عالوه میشود پیشنهاد نمود. ارائه ویژگی توصیفگرها سایر از GLCM ماتریس از مستخرج بافت فرکانس حوزه بر مبتنی زمینآمار توصیفگرهای همچون منطقه در تغییرات شناسایی بهبود جهت نیز فرکتال و گابور سایر قابلیت میشود پیشنهاد همچنین شود. استفاده شهری زمینه این در ژنتیک الگوریتم کنار در بهینهسازی تکنیکهای شود. بررسی

18 فصلنامه علمی - پژوهشي اطالعات جغرافيايي ( ) دوره 24 شماره 96 زمستان 94 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 152 of Environment, 114(3), Jensen, J. R. (2004). Introductory digital image processing: a remote sensing perspective: Prentice-Hall Inc. 11- Li, Z., Chen, J., & Baltsavias, E. (2008). Advances in photogrammetry, remote sensing and spatial information sciences: 2008 ISPRS congress book (Vol. 7): CRC Press. 12- Mhangara, P., & Odindi, J. (2013). Potential of texture-based classification in urban landscapes using multispectral aerial photos. South African Journal of Science, 109(3-4), Myint, S. W., Lam, N. S.-N., & Tyler, J. M. (2004). Wavelets for urban spatial feature discrimination. Photogrammetric Engineering & Remote Sensing, 70(7), Radke, R. J., Andra, S., Al-Kofahi, O., & Roysam, B. (2005). Image change detection algorithms: a systematic survey. Image Processing, IEEE Transactions on, 14(3), Richter, R., Kellenberger, T., & Kaufmann, H. (2009). Comparison of topographic correction methods. Remote Sensing, 1(3), Sallaba, F. (2009). Potential of a Post-Classification Change Detection Analysis to Identify Land Use and Land Cover Changes. A Case Study in Northern Greece. 17- Tassetti, A. N., Malinverni, E., & Hahn, M. (2010). Texture analysis to improve supervised classification in IKONOS imagery: na. 18- Taubenböcka, H., Wegmannb, M., Rotha, A., Schmidta, M., & Decha, S. (2009). Urbanization in India -Spatiotemporal analysis using remote sensing data. Computers, Environment and Urban Systems, 33(3), Tuceryan, M., & Jain, A. K. (1993). Texture analysis. Handbook of pattern recognition and computer vision, Xie, M., & Fu, M. (2011). The temporal dynamics of urban heat islands derived from thermal remote sensing data by local indicator of spatial association in Shenzhen, China. Paper presented at the International Conference on Photonics and Image in Agricultural Engineering (PIAGENG 2010). منابع و مآخذ 1- Agüera, F., Aguilar, Fernando J, Aguilar, Manuel A. (2008). Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses. ISPRS Journal of Photogrammetry and Remote Sensing, 63(6), Brumby, S. P., Theiler, J. P., Perkins, S. J., Harvey, N. R., Szymanski, J. J., Bloch, J. J., & Mitchell, M. (1999). Investigation of image feature extraction by a genetic algorithm. Paper presented at the SPIE s International Symposium on Optical Science, Engineering, and Instrumentation. 3- Chen, X., Chen, J., Shi, Y., & Yamaguchi, Y. (2012). An automated approach for updating land cover maps based on integrated change detection and classification methods. ISPRS Journal of Photogrammetry and Remote Sensing, 71, Erener, A., Şebnem Düzgün, H. (2009). A methodology for land use change detection of high resolution pan images based on texture analysis. Italian Journal of Remote Sensing, 41(2), Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning. Machine learning, 3(2), Hu, Q., Wu, W., Xia, T., Yu, Q., Yang, P., Li, Z., & Song, Q. (2013). Exploring the use of Google Earth imagery and object-based methods in land use/cover mapping. Remote Sensing, 5(11), Huss, M., Stockli, R., Kappenberger, G., & Blatter, H. (2008). Temporal and spatial changes of Laika Glacier, Canadian Arctic, since 1959, inferred from satellite remote sensing and mass-balance modelling. Journal of Glaciology, 54(188), Hussain, M., Chen,D., Cheng, A., Wei, H., Stanley, D. (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing, 80, Imhoff, M. L., Zhang, P., Wolfe, R. E., &Bounoua, L. (2010). Remote sensing of the urban heat island effect across biomes in the continental USA. Remote Sensing