آشکارسازی بدون نظارت تغییرات محیطی با استفاده از آنالیز نقطهی تغییر در تصاویر قطبیده راداری با روزنه مصنوعی

آشکارسازی بدون نظارت تغییرات محیطی با استفاده از آنالیز نقطهی تغییر در تصاویر قطبیده راداری با روزنه مصنوعی احسان کیانا *1 سعید همایونی 2 محمدعلی شریفی 3 محمدرضا فریدروحانی 4 9 کارشناس ارشد سنجشازدور - دانشکده نقشهبرداري و اطالعات مکاني - پرديس دانشکدههاي فني - دانشگاه تهران kiana@ut.ac.ir 2 دانشیار گروه ژئوماتیک - دپارتمان جغرافیا محیطزيست و ژئوماتیک - دانشگاه اتاوا - کانادا saeid.homayouni@uottawa.ca 3 دانشیار دانشکده نقشهبرداري و اطالعات مکاني - پرديس دانشکدههاي فني - دانشگاه تهران sharifi@ut.ac.ir 4 استاديار گروه آمار - دانشکده علوم رياضي - دانشگاه شهید بهشتي تهران m_faridrohani@sbu.ac.ir نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 2 آبان ماه 9315 )تاريخ دريافت بهمن 9314 تاريخ تصويب مهر 9315( چکیده در اين مقاله روشي براي آشکارسازي بدون نظارت تغییرات در تصاوير سنجش از دوري قطبیده راداري با روزنه مصنوعي ارائه شده است. اين روش بر پايهي روش آنالیز نقطهي تغییر است. تابع چگالي احتمال تصاوير اختالف که در برگیرندهي تغییرات زماني محیطي هستند از توزيعهاي آماري مشخصي براي هر کالس پیروي ميکنند. مدل آمیخته گاوسي يکي از مدلهاي مناسب براي آنالیز نقطهي تغییر است که توانمندي مناسبي براي برآورد پارامترهاي توزيعها از يک توزيع آمیخته دارد. اين مدل ميتواند نقطه برخورد دو توزيع را بهعنوان نقطهي تغییر دو کالس تغییريافته و تغییرنیافته يا همان حد آستانه را بهراحتي مشخص کند. روش پیشنهادي بر روي سه داده راداري پیادهسازي و مورد ارزيابي قرار گرفت. نقشه تغییر حاصل از دو مجموعهي داده در اين تجزيهوتحلیل با استفاده از داده مرجع دقت کلي برابر 72.18 و 13.34 درصد را نشان دادند. دادهي چند زمانه با قطبیدگي راداري کامل اين پژوهش از يک منطقه کشاورزي بود. اطالعات زمیني و اطالعات تجزيه ماتريس پراکنش با دقت خوبي ارتبا اين تغییرات را با فاالیتهاي کشاورزي مانند مراحل رشد گیاه نشان داد. همچنین روش پیشنهادي با يکي از کاراترين روشهاي برآورد حد آستانه ياني روش دقت باالتري را نشان داد. واژگان کلیدی: گاوسي Otsu مقايسه شد که نتايج بهطور ويژه آشکارسازي بدون نظارت تغییرات تصاوير تمام قطبیده راداري با روزنه مصنوعي آنالیز نقطهي تغییر مدل آمیخته * نويسنده رابط 119

1- مقدمه آشکارسازي تغییرات محیطي با استفاده از آنالیز نقطهي تغییر در تصاوير قطبیده راداري در دهههاي گذشته سطح زمین توسط بشر و يا بهصورت طبیاي دچار تغییرات بسیاري شده است. تصاوير دوري از سنجش چندزمانه ماهوارهاي منبع بسیار سودمندي براي آشکارسازي و نقشهبرداري اين تغییرات بهويژه در مناطق گسترده است تغییرات عبارت ]9[. فرايند آشکارسازي است از شناسايي تغییرات ساختار سطحي-فضايي يک منطقه مشخص در بازه زماني ماین 9 با توانمندي ]2[. سنجندههاي راداري با روزنه مصنوعي برداشت اطالعات در تمام شرايط آب و هوايي و در طول شبانهروز با وسات باالي پوشش زمیني منبع بسیار مناسبي براي آشکارسازي.]3[ تغییرات سطح زمین هستند در ادبیات سنجش از دور روشهاي آشکارسازي تغییرات از نظر نیاز به داده آموزشي به دو دسته با نظارت و بدون نظارت تقسیم ميشوند. در روش با نظارت نیاز به اطالعاتي از واقایت زمیني با عنوان دادههاي آموزشي است. اما در روش بدون نظارت با پردازش مستقیم تصاوير بدون در نظر گرفتن دادههاي آموزشي روند آشکارسازي تغییرات صورت ميگیرد ]4[. اگرچه که دقت کلي روش با نظارت به دلیل کمک از دادههاي آموزشي به مراتب از بدون نظارت روش بیشتر است اما جمعآوري دادههاي آموزشي نیازمند صرف وقت و هزينهي بااليي است ]5[. لذا در روش پیشنهادي اين مقاله از روش براي آشکارسازي تغییرات استفاده شده است. بدون نظارت روشهاي بسیار متفاوتي تاکنون براي آشکارسازي تغییرات در تصاوير سنجش از دوري ارائه شده است. مهمترين اين روشها عبارتاند از اختالف تصاوير نسبت تصاوير تجزيه رگرسیون اختالف شاخص پوشش گیاهي آنالیز بردار تغییرات آنالیز مؤلفههاي اصلي 2 آنالیز بافت مقايسه طبقهبندي تصاوير مقايسه مستقیم تصاوير چندزمانه شبکه عصبي مصنوعي ماشین بردار پشتیبان درخت تصمیم آنالیز آمیخته طیفي فازي و تلفیق تصاوير چندزمانه براي آشکارسازي تغییرات ]7-3[. به طور کلي براي آشکارسازي تغییرات تصاوير SAR سه مرحله پیشپردازش دادهها ايجاد تصوير اختالف مناسب و طبقهبندي تصوير اختالف به کالسهاي تغییريافته و تغییرنیافته صورت ميپذيرد ]5[ ]1[. در مرحله پیشپردازش به طور مامول حذف خطاي نويز بهعنوان تصحیح راديومتريک و هممرجعسازي تصاوير بهعنوان تصحیح هندسي پیادهسازي ميگردد ]91[. براي محاسبه تصوير اختالف روشهاي متاددي پیشنهاد شده است که تفاضل تصاوير و يا نسبت تصاوير بهعنوان سادهترين تصوير اختالف براي شناسايي تغییرات در نظر گرفته ميشود. در مرحله سوم به منظور طبقهبندي تصوير اختالف به کالسهاي تغییريافته و تغییرنیافته از روشهاي 4 و يا قاعده 3 يا روشهاي حد آستانهمبنا خوشهبندي مبنا مبنا بهره گرفته ميشود. روشهاي خوشهبندي عمدتا با فاصله میانگین هر کالس با هر مقدار عددي طبقه هر مقدار عددي را تایین ميکنند. از جمله روشهاي خوشهبندي شناخته شده ميتوان خوشهبندي خوشهبندي Fuzzy خوشهبندي Fuzzy C_means K_means را نام برد. از جمله روشهاي حد آستانهمبنا ميتوان به دو روش شناخته شده زير اشاره نمود. در سال 9183 5 روشي براي يافتن حد آستانه بهینه ارائه نوبويوکي اتسو کرد. اين روش حد آستانهاي را انتخاب ميکند که ماکزيمم مقدار مجموع واريانسهاي بخشهاي قبل و باد از آن حد آستانه را دارد ]99[. اگرچه که تاکنون اين روش بهعنوان روشي با کارايي باال براي شناسايي حد آستانه شناخته ميشود اما از زمان محاسبه براي شناسايي بهترين حد آستانه در بین تمامي مقادير نميتوان چشمپوشي نمود. کیتلر و الینگورس در سال 9173 روشي با نام حد آستانهگذاري کمینه خطاي Kittler and Illingworth )K&I( ارائه کردند. اين روش بر پايه قاعده بیز فرموله ميشود که هر مشاهده به کالس با احتمال تالق بیشتر 3 و همکاران در سال اختصاص مييابد ]92[. گابريل موزر 2113 رويکردي براي شناسايي تغییرات تصاوير SAR اساس روش K&I بر بر روي نسبت دامنه تصاوير رادار با روزنه مصنوعي ارائه کردند ]93[. با توجه به اينکه در اين رويکرد اختصاص هر مشاهده به زير جاماهها بر اساس حد آستانه صورت نميگیرد اين گروه از روشها را ميتوان به عنوان روشهاي قاعده مبنا طبقهبندي کرد. 3 Cluster based 4 Threshold based 5 Nobuyuki Otsu 6 Gabriele Moser 1 Synthetic Aperture Radar (SAR) 2 Principal Component Analysis (PCA) 120

از ديگر روشهاي قاعده مبنا ميتوان به روشهاي طبقهبندي مبتني بر الگوريتم 3 مارکوف 2 مدل آمیخته گاوسي همکاران در سال نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 2 آبان ماه 9315 9 EM میدان 2118 اشاره نمود. روشي بر پايه الگوريتم تصادفي بازي و EM پیشنهاد کردند که پارامترهاي آماري کالس تغییريافته و تغییرنیافته توسط الگوريتم ژنتیک تخمین زده شده است. در اين روش با فرض اولیه تابع بر روي گاوسي چگالي نسبت لگاريتم تصاوير بکار گرفته شد ]94[. لورنزو بروزن و همکاران در سال 2111 دو روش خودکار براي طبقهبندي کالس تغییريافته و تغییرنیافته تفاضل تصاوير ارائه کردند که يکي از اين روشها بر اساس تئوري بیزي و روش ديگر بر اساس میدان تصادفي مارکوف ارائه شد ]4[. تورگي کلیک در سال شناسايي تغییرات تصاوير SAR بدون نظارت روشي 2191 براي توسط مدل آمیخته گاوسي و الگوريتم ژنتیک پیشنهاد کرد. ايشان بر روي نسبت تصاوير چند زمانه ماهوارهاي روش پیشنهادي خود را پیادهسازي کردند. براي تخمین پارامترهاي مدل آمیخته گاوسي از الگوريتم ژنتیک استفاده کردند که براي تایین پارامترهاي مدل آمیخته گاوسي تابع هزينه پیکسلهاي کالس تغییريافته با مینیمم کردن تغییرنیافته و تایین ميشوند. در نهايت براي شناسايي تغییرات نهايي توسط استنتاج بیزي هر تابع چگالي به يکي از کالسهاي تغییريافته و تغییرنیافته تالق داده ميشوند ]2[. روش يکي از مشکالت اصلي آشکارسازي تغییرات به کمک اختالف تصاوير عدم وجود روشي کارآمد براي جداسازي پیکسلهاي تغییريافته از تغییرنیافته است. در اين مقاله مقايسهاي بین روش آماري الگوريتم به EM کمک استنتاج بیزي روشهاي حد آستانه مبنا و خوشهبندي مبنا ارائه کرده است. 2- تعریف مسئله فرض شود دو تصوير ماهوارهاي با ابااد H*W X 1 = {x 1 1 < i < H, 1 < j < w} و{ w X 2 = {x 2 1 < i < H, 1 < j < )به عنوان تصوير اول( )به عنوان تصوير دوم( از يک منطقه مشخص اما در دو زمان مختلف و t 1 t 2 که نسبت به يکديگر هم مرجع شدهاند در اختیار است. روش آشکارسازي تغییرات بدون نظارت يک ماسک تغییرات باينري تولید ميکند بهگونهاي که CM = {cm(i, j) 1 < i < H, 1 < j < w} ]95[ است. cm {0,1} تصوير اختالف X d که در آن ميتواند متناسب با نوع تصوير ورودي محاسبه گردد. براي تصاوير اپتیک ميتواند X d بهصورت قدر مطلق تفاضل مقادير شدت درجه خاکستري دو تصوير محاسبه شود ]9[. x d (i, j) = x 2 (i, j) x 1 (i, j) )9( در صورتي که براي تصاوير راداري ميتواند توسط X d قدر مطلق لگاريتم نسبت دو تصوير و يا تفاضل لگاريتم هر تصوير به عنوان ورودي آشکارسازي تغییرات در نظر گرفته شوند ]9[. x d (i, j) = log x 2(i, j) x 1 (i, j) = logx 2 (i, j) logx 1 (i, j) )2( 3- آنالیز نقطهی تغییر آنالیز نقطهي تغییر در واقع براي برآورد پارامتر نامالوم τ است به طوري که در يک رشته مفروض از مشاهدات مستقل τ X 1, X 2,, X n مابقي مشاهدات از توزيع مشاهده اول از توزيع F 0 (F 0 F 1 ) F 1 و استخراج شدهاند. به عبارت ديگر يک نقطهي تغییر يک نقطه در زمان يا مکان است که قبل و باد از آن مشاهدات از دو توزيع متفاوت پیروي ميکنند ]93[. دو جنبه در مسئله نقطهي تغییر وجود دارد. يکي آشکارسازي است در صورتي که تغییري وجود داشته باشد به عنوان يک مسئله آزمون فرض در نظر گرفته ميشود. ديگري تایین محل نقطهي تغییر است. وقتي که نقطه تغییر وجود دارد که به عنوان يک مسئله برآورد در نظر گرفته ميشود. در اين مقاله هدف تایین محل نقطه تغییر به عنوان يک مسئله برآورد با فرض پیروي کالس تغییريافته از تغییرنیافته و توزيعهاي آماري مشخص است ]93[. بدين منظور فرض شده است که مشاهدات از توزياي آمیخته متشکل از حداقل دو توزيع است. مسئله نقطهي تغییر در اين حالت به يافتن مناسبترين τ تبديل ميشود که تفکیک کننده کالس تغییريافته و تغییرنیافته است. 1 Expectation Maximization 2 Markov Random Field 3 Gaussian Mixture Model 121

مستقل بودن المان دادهها بیشینهسازي بر لگاريتم تابع 2 رابطه )5( صورت ميگیرد ]29[. درستنمايي N logf(x i ) i=1 x i )5( در رابطه )5( 4- مدل آمیخته در ادبیات آمار و احتماالت مدل آمیخته جزء مدلهاي احتمال است که براي تایین زيرجمایتهاي يک جمایت بزرگ بکار ميرود ]98[. در واقع مدل آمیخته اطالعات آماري از زيرجمایت را با توجه به تنها مشاهدات تجماي بدون کمک گرفتن از اطالعات فرعي جمایت بکار ميگیرد. تابع چگالي پیکسلهاي تصوير اختالف شامل توابع توزيع آمیخته از پیکسلهاي تغییريافته و تغییرنیافته است ]9[ که براي مسئله آشکارسازي تغییرات پارامترهاي هر توزيع گاوسي که شامل میانگین و انحراف مایار متناظر است بايد برآورد شوند. 1-4- برآورد پارامترهای مدل آمیخته آشکارسازي تغییرات محیطي با استفاده از آنالیز نقطهي تغییر در تصاوير قطبیده راداري فرض شود K توزيع با توابع چگاليهاي با وزنهاي )3( f 1(x),,f K(x) π 1,,π k آمیخته شدهاند. K f(x) = π k f k (x) k=1 توزيع گاوسي يکي از مناسبترين توزيعهاي آماري براي مدلسازي دادههاي تصاوير سنجش از دوري است ]97[. بنابراين توزيع آمیخته گاوسي در مطالاه براي نقطهي تغییر تابع چگالي اختالف تصاوير گزينه مناسب به نظر ميرسد. همچنین مطالاات انجامشده مناسب بودن اين گزينه را تائید ميکند که گزارش آن به تفصیل مالحظه ميشود. در مدل آمیخته گاوسي (x) fها k گاوسي فرض ميشوند که پارامترهاي آنها میانگین و انحراف مایارهاي متناظر است. اين مدل با ميتواند بهصورت رابطه )4( نوشته شود ]91[. k K )4( در رابطه فوق μ k و مؤلفه f(x) = π k φ ( x μ k ) σ k k=1 σ k به ترتیب میانگین و انحراف مایار توزيعهاي گاوسي هستند. با بکار بردن دادهها ميتوان میانگین و انحراف مایار هر توزيع گاوسي را بدست آورد. ايده اصلي براي تخمین هر μ k براي σ k و π k k = 1,, K 9 است ]21[. با فرض بیشینه کردن تابع درستنمايي بردار داده براي جزء ام و i تابع f(x) در رابطه )3( تاريف شده است. در عمل بیشینهسازي لگاريتم تابع درستنمايي در چنین حالتهايي بهصورت تحلیلي غیرممکن بوده که بدين منظور بايد از روشهاي عددي استفاده شود ]22[. يکي از مناسبترين روشهاي بیشینهسازي تابع درستنمايي الگوريتم میانگینگیري_بیشینهسازي ) 3 EM( است ]22[. اين الگوريتم شامل دو بخش میانگینگیري و بیشینهسازي است. در بخش میانگینگیري پارامترهاي مجهول متناسب با مقادير اولیه داده شده به الگوريتم تخمین زده ميشوند و در بخش بیشینهسازي پارامترهاي تخمین زده شده بهنگام ميشوند. اين الگوريتم به علت سادگي در پیادهسازي و پايداري مورد توجه است ]23[. در حالت کافي که پارامترهاي k=2 μ i و σ i 2 به برآوردهاي زير منجر ميشود ]23[. و توزيعهاي آمیخته گاوسي با باشند. الگوريتم EM در مرحله )9+t( T ji. xi ( t 1) j ; j 1,2 )3( n T ji i 1 ( t 1) 2 T ji.( xi j ) 2 ( t 1) j ; j 1,2 )8( n T ji i 1 در روابط فوق i نشان دهنده متغیر تصادفي و j نشاندهنده کالسها است. همچنین T نشان دهنده احتمال هر متغیر تصادفي نسبت به تابع چگالي آمیخته است که در رابطه )7( تاريف ميشود. T j; i k j 1 j f j j ( x ; f j i i ~ j ( x ; ) ~ j ) )7( 2 Log Likelihood 3 Expectation-Maximization 1 Likelihood 122

در رابطه فوق نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 2 آبان ماه 9315 2-4- آشکارسازی تغییرات در مدل آمیخته π i طبق رابطه )1( بدست ميآيد. ; j 1,2 )1( نشان دهنده وزن هر کالس است که ( t 1) j 1 n n i 1 T ji بديهي است براي پیادهسازي الگوريتم EM همانند هر الگوريتم محاسباتي ديگر نیاز به انتخاب مقادير اولیه مناسب است ]24[. انتخاب مقادير اولیه نامناسب نتايج نهايي بیشینهسازي را تحت تأثیر قرار ميدهد. بدين منظور ميتوان از الگوريتمهاي خوشهبندي بدون نظارت کالسیک استفاده کرد. ميشود زماني که میانگین و انحراف مایار هر توزيع تخمین زده حد آستانه از طريق نقطه توزيعها بدست برخورد ميآيد که پیکسلهاي قبل از حد آستانه به عنوان پیکسلهاي تغییرنیافته و پیکسلهاي باد از حد آستانه مدنظر به عنوان پیکسلهاي تغییريافته شناسايي ميشوند ]25[. شکل 9 روند کلي از روش پیشنهادي را نشان ميدهد. شکل 9 - نماي کلي پیادهسازي روش پیشنهادي 5- دادههای مورد استفاده روش پیشنهادي بر روي دو مجموعه داده متفاوت تصاوير قطبیده راداري با با روزنه مصنوعي پیادهسازي شد. نوع اول اين دادهها جزء دادههاي آزمايشي همراه با داده مرجع تغییرات زمیني در کشورهاي سوئیس و کانادا است شکلهاي 2 و 3. سنجنده 9 ERS2 در باند C اخذ شدهاند. اين سنجنده قطبیده با تفکیک مکاني 31*31 متر اخذ اطالعات کرده است. منطقه مطالااتي نزديک شهر برن سوئیس با ابااد 319*319 پیکسل است. مجموعه دادههاي آزمايشي دوم توسط سنجنده Radarsat اخذ شدهاند. منطقه مطالااتي در شهر اتاوا کشور کانادا با ابااد 351*211 پیکسل است. شکل 2 - منطقهاي در کشور سوئیس 14 9111-15 9111 اين دادهها جزء دادههاي آزمايشي قطبیده راداري با روزنه مصنوعي هستند که مجموعه داده نخست توسط شکل 3 - منطقهاي در کشور کانادا 15 9118-17 9118 1 European Remote Sensing 2 123

آشکارسازي تغییرات محیطي با استفاده از آنالیز نقطهي تغییر در تصاوير قطبیده راداري روزنه نوع دوم دادهها جزء دادههاي اصلي قطبیده راداري با UAVSAR قطبیده مصنوعي هستند که توسط در باند در پهناي باند L اخذ شدهاند با 71MHz سنجنده هوايي ]23[. اين سنجنده تفکیک مکاني 4.11 متر در راستاي رنج و 8.21 متر در راستاي آزيموت اخذ اطالعات ميکند ]28[. تصوير رنگي با پايه پاولي منطقه مورد مطالاه در شکل 4 قابل مشاهده است. شکل 4 - منطقهاي کشاورزي در کشور کانادا 98 ژوئن 2192 98 جوالي 2192 منطقه مطالااتي با ابااد 311*9238 پیکسل از يک منطقه کشاورزي در تاريخهاي 98 ژوئن و 98 جوالي سال 2192 در شهر وينیپگ کشور کانادا است. 6- پیادهسازی و ارزیابی نتایج در اين مقاله نخست روند منطقي روش پیشنهادي توسط دادههاي شکل 3 و 2 که شامل اطالعات مرجع تغییرات زمیني هستند آزمايش شد و سپس روش پیشنهادي بر پايه فلوچارت کلي کار )شکل 9 ( بر روي داده واقاي قطبیده راداري پیادهسازي و مورد ارزيابي قرار گرفته شد. در اين بخش به شرح پیادهسازي و ارزيابي نتايج بر روي دادهها پرداختهايم. ج( شکل 5 - تصوير اختالف هیستوگرام تصوير اختالف ج( تفکیک توزيع گاوسي کالس تغییريافته و کالس تغییرنیافته از آنجايي که اين نوع داده به عنوان داده نمونه است نیاز به هممرجعسازي تصاوير نداشتند. تابع چگالي احتمال تصوير اختالف به عنوان ورودي روش پیشنهادي براي تایین نقطه تغییر بین کالس تغییريافته و تغییرنیافته به الگوريتم EM داده شد. آمیخته بودن دو توزيع گاوسي در شکل 5 -ب قابل تشخیص است. توزيع نخست بیانگر کالس تغییريافته و توزيع دوم بیانگر کالس تغییرنیافته است که پارامترهاي اين توزيعها توسط الگوريتم EM برآورد شده است. با در نظر گرفتن نقطه برخورد دو توزيع به عنوان حد آستانه مدنظر ميتوان دو کالس تغییريافته و تغییرنیافته را از يکديگر تفکیک نمود که نتیجه حاصله در شکل 5 -ج ديده ميشود. در شکل 5 -ج رنگ سبز تابع چگالي احتمال کالس تغییرنیافته با میانگین 1.173 و واريانس 1.135 است و رنگ زرد تابع چگالي احتمال کالس تغییريافته با میانگین 1.372 و واريانس 1.339 است. در نهايت نقشه تغییرات بدست آمده توسط نقطهي برخورد توابع چگالي گاوسي تابع آمیخته بر روي داده برن سوئیس در شکل 3 -ب قابل مشاهده است. 1-6- داده اول برن سوئیس تغییرات صورت گرفته در اين منطقه از ماه آوريل سال 9111 تا ماه مي سال 9111 است شکل 2. شکل 3 - تصوير مرجع تغییرات زمیني تصوير تغییرات روش پیشنهادي 124

ب- به منظور ارزيابي روش پیشنهادي از مایارهاي ارزيابي دقت استفاده ميشود. اين مایار بر اساس ماتريس خطا محاسبه ميشود. ماتريس خطا مقايسه عددي بین دادههاي مرجع و روش پیشنهادي را انجام ميدهد. پارامترهاي ارزيابي دقت براي درک بیشتر از ماتريس خطا بکار ميرود که اين پارامترها شامل دقت کلي 9 ضريب 5 کاپا 2 دقت کاربر 3 دقت تولیدکننده 4 تاداد مثبت غلط )تاداد پیکسلهاي تغییرنیافته که به نادرستي به عنوان پیکسلهاي تغییريافته در نظر گرفته شدهاند( تاداد منفي نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 2 آبان ماه 9315 3 غلط )تاداد پیکسلهاي تغییراتي است که شناسايي 8 )مجموع تاداد مثبت غلط و نشدهاند( و تاداد خطاي کلي تاداد منفي غلط( است ]5[. به منظور ارزيابي دقیقتر روش پیشنهادي با تصوير مرجع تغییرات زمیني آنالیز دقتها سوئیس در جدول 9 ارائه شده است. براي داده برن جدول 9 - آنالیز دقت بر روي منطقه مطالااتي برن سوئیس معیار ارزیابی تعداد مثبت غلط تعداد منفی غلط تعداد خطای کلی دقت کاربر کالس تغییریافته دقت کاربر کالس تغییرنیافته روش دقت تولیدکننده کالس تغییریافته دقت تولیدکننده کالس تغییرنیافته ضریب کاپا دقت کلی حدآستانهگذاری Otsu 4413 روش پیشنهادی همانند داده اول اين داده نیز نیاز به پیشپردازش براي هممرجعسازي تصاوير نداشت. تصوير اختالف حاصله و هیستوگرام آن در شکل 8 قابل مشاهده است. ج( شکل 8 - تصوير اختالف هیستوگرام تصوير اختالف ج( تفکیک توزيع گاوسي کالس تغییريافته و کالس تغییرنیافته در شکل 8 -ج رنگ سبز تابع چگالي احتمال کالس تغییرنیافته با میانگین 9.19 و واريانس 1.78 است و رنگ زرد تابع چگالي احتمال کالس تغییريافته با میانگین 5.59 و واريانس 8.72 است. در نهايت نقشه تغییرات ايجاد شده توسط روش پیشنهادي بر روي داده کانادا در شکل 7 قابل مشاهده است. 3189 245 3393 87.91 13.58 22.73 11.82 1.34 13.34 233 4342 81.58 15.18 98.23 11.82 1.28 14.78 2-6- داده دوم اتاوا کانادا در اين منطقه مطالااتي تغییرات صورت گرفته در سه ماه از آوريل تا اوت سال 9118 میالدي به علت باران فصلي در شهر اتاوا کانادا صورت گرفته است شکل 3. شکل 7 - تصوير مرجع تغییرات زمیني تصوير تغییرات روش پیشنهادي 1 Overall Accuracy (OA) 2 Kappa Coefficient 3 User Accuracy (UA) 4 Producer Accuracy (PA) 5 False Positive (FP) 6 False Negative (FN) 7 Overall Error (OE) 125

آشکارسازي تغییرات محیطي با استفاده از آنالیز نقطهي تغییر در تصاوير قطبیده راداري جدول 2 آنالیز دقت روش پیشنهادي بر روي منطقه مطالااتي اتاوا کانادا را نشان ميدهد. جدول 2 - آنالیز دقت بر روي منطقه مطالااتي اتاوا کانادا معیار ارزیابی تعداد مثبت غلط تعداد منفی غلط تعداد خطای کلی دقت کاربر کالس تغییریافته دقت کاربر کالس تغییرنیافته روش دقت تولیدکننده کالس تغییریافته دقت تولیدکننده کالس تغییرنیافته ضریب کاپا دقت کلی حدآستانهگذاری Otsu 55733 روش پیشنهادی 93895 582 98278 13.44 71.44 47.17 11.98 1.55 72.18 931 53135 17.15 34.32 22.93 11.43 1.94 44.71 با ارزيابي جدولهاي 9 و 2 نتیجه گرفته ميشود که روش پیشنهادي روند صحیح و منطقي براي جداسازي کالس تغییريافته و تغییرنیافته دارد لذا با توجه به هدف اصلي اين تحقیق که آشکارسازي تغییرات محیطي تصاوير تمام قطبیده راداري به کمک آنالیز نقطهي تغییر بر روي داده واقاي تمام قطبیده راداري با روزنه مصنوعي است بر آن شديم تا روش پیشنهادي را بر روي يک داده واقاي مورد تحلیل و ارزيابي قرار دهیم. محاسبه شد. شکل 1 -الف تصوير اختالف گرفته شده از کل انرژي برگشتي از سطح در دو زمان مذکور را نشان ميدهد. شکل 1 -ب نتیجه آشکارسازي تغییرات توسط الگوريتم پیشنهادي است که مناطق مشکي رنگ مناطق تغییريافته و مناطق سفید رنگ مناطق تغییرنیافته است. به منظور ارزيابي روش پیشنهادي هر کرت با اعداد 9 تا 5 مشخص شدهاند که به ترتیب نشان دهنده کرتهاي کانوال گندم جو سويا و ذرت است. شکل 1 -ج تصوير مرجع محصوالت کشاورزي است که توسط موسسه تحقیقاتي زمین کشور کانادا تهیه شده است. ج( 3-6- داده سوم منطقه کشاورزی کانادا داده سوم به عنوان داده واقاي در منطقه کشاورزي وينیپگ کانادا با وسات باال است. اين منطقه با اکثريت محصوالت کشاورزي جو گندم سويا و ذرت است که از اين منطقه در مدت 39 روز 94 مرتبه از 98 ژوئن 2192 تا 98 جوالي 2192 از زمان شروع دوران رشد گیاهان تا زمان بلوغ گیاهان اخذ اطالعات شده است. اين دادهها شامل اطالعات زمیني از زمان کاشت زمان برداشت و دوره رشد گیاهان آن منطقه است )جدول 3 (. همانند الگوريتم کار براي هر دو زمان ابتدا ماتريس کوواريانس 9 دادههاي قطبیده و سپس تصوير کل انرژي برگشتي شکل 1 - تصوير اختالف در منطقه مطالااتي تصوير تغییرات توسط روش پیشنهادي در منطقه مطالااتي ج( تصوير مرجع محصوالت کشاورزي در منطقه مطالااتي به منظور ارزيابي دقیقتر روش پیشنهادي براي شناسايي تغییرات محیطي محصوالت کشاورزي توسط دادههاي در اختیار از اطالعات زمیني توسط موسسه تحقیقاتي زمین غذايي کشور کانادا و جمعآوري شده شاخه تیم کشاورزي و 2 ماتريس پراکنش 3 تئوري تجزيه نمونه از انواع کرتهاي کشاورزي صورت گرفت. 2 Decomposition 1 SPAN 126

ج- ب- جدول 3 - تقويم فنولوژيکي محصوالت کشاورزي در منطقه نوع محصول کانوال ذرت جو سویا گندم زمان کاشت 5 می تا 31 می 1 می تا 15 می 1 می تا 11 ژوئن 5 می تا 25 می 1 می تا 31 می با توجه به جدول 3 وينیپگ کانادا دوره رشد زمان برداشت نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 2 آبان ماه 9315 33_33 121_111 33_35 131 111_01 اوت_اکتبر اکتبر_نوامبر اوت_اکتبر اکتبر_نوامبر اوت_اکتبر اين موسسه زمان کاشت تمام محصوالت را در مدت يک ماه اعالم کرده است. گیاه پس از تکمیل شدن مراحل رشد خود که شامل رشد ساقه گلدهي و رسیده شدن میوه است برداشت ميشود. متناسب با طول دوره رشد و زمان برداشت سه محصول کانوال جو و گندم در يک طبقه و محصوالت ذرت و سويا در طبقه ديگر قرار ميگیرند. با توجه به آنکه دادهها در زمان رشد محصول اخذ شدهاند ميتوان روند تغییرات رشد اين محصوالت را مورد ارزيابي قرار داد. نتیجه شناسايي تغییرات روش پیشنهادي )شکل 1 و تصوير مرجع محصوالت کشاورزي )شکل 1 ) ( تمام کرتهاي محصوالت سويا و ذرت را به عنوان کالسهاي تغییريافته و تمام کرتهاي محصوالت گندم و جو را به عنوان کالس تغییرنیافته طبقهبندي کرده است. اما محصول کانوال در برخي از کرتها به عنوان کالس تغییريافته و در برخي ديگر به عنوان کالس تغییر نیافته طبقهبندي شده است. بدين منظور براي بررسي دقیقتر روند کار از ويژگي 9 هاي تصاوير قطبیده رادار بهره گرفته شد. از آنجا که محصوالت مورد مطالاه داراي خاصیت 2 پراکنش حجمي گرفته شد. براي 3 هستند از تئوري تجزيه هدف تئوري روشهاي زيادي پیشنهاد شده است تحقیق از تجزيه کمک تجزيه تصاوير قطبیده رادار که ]27[ Freeman_Durden بهره گرفته شد. در اين بدين منظور براي هر محصول يک کرت انتخاب و پراکنش حجمي آن براي زمان مورد مطالاه مورد بررسي قرار گرفت. شکل 91 شش کرت مطالااتي براي محصوالت کانوال تغییرنیافته کانوال تغییريافته گندم جو سويا و ذرت است که به ترتیب با اعداد 9 تا 3 نشان داده شدهاند. شکل 91 - کرتهاي مورد مطالاه براي بررسي پراکنش حجمي تا شکل 93 شکل 99 از تجزيه پراکنش mesh تصاوير حجمي هر محصول در کرت مشخص شده را نشان ميدهند. شکل 99 - پراکنش حجمي محصول جو کرت 4 98 ژوئن 2192 98 جوالي 2192 شکل 92 - پراکنش حجمي محصول گندم کرت 3 98 ژوئن 2192 98 جوالي 2192 شکل 93 - پراکنش حجمي محصول کانوال کرت 9 98 ژوئن 2192 98 جوالي 2192 1 Feature 2 Volume Scattering 3 Target 127

آشکارسازي تغییرات محیطي با استفاده از آنالیز نقطهي تغییر در تصاوير قطبیده راداري شکل 94 - پراکنش حجمي محصول کانوال کرت 2 98 ژوئن 2192 98 جوالي 2192 شايان ذکر است که کرت انتخابي براي محصول ذرت شامل دو کرت در کنار يکديگر است که توسط درختهاي پهنبرگ مشهود است. از يکديگر مجزا شدهاند که در شکل 95 شکل 95 - پراکنش حجمي محصول ذرت کرت 3 98 ژوئن 2192 98 جوالي 2192 فلا- زماني مطالااتي ديده نميشود اما براي دو محصول ذرت و سويا اين تغییرات به وضوح قابل تشخیص است. براي محصول کانوال کرت شماره 9 که در روش پیشنهادي به عنوان تغییرنیافته شناسايي شده بود تغییري در پراکنش حجمي آن ديده نميشود در مقابل براي کرت شماره 2 که به عنوان کالس تغییريافته شناسايي شده بود تغییر در پراکنش حجمي آن مالحظه ميگردد. بدين ترتیب روش پیشنهادي به خوبي توانسته طبقه محصوالت مورد مطالاه را بصورت پیکسلمبنا از نظر رشد گیاهان شناسايي نمايد. 3- نتیجهگیری آنچه در اين مقاله به آن پرداخته شد روشي کارآمد براي آشکارسازي تغییرات محیطي با استفاده از آنالیز نقطهي تغییر در تصاوير قطبیده راداري با روزنه مصنوعي است. در حالت کلي آنالیز نقطهي تغییر بر روي تابع چگالي احتمال اختالف تصاوير SPAN حد آستانه بهینه را مييابد و نتیجتا کالس تغییريافته و تغییرنیافته با دقت بااليي از يکديگر تمیز داده ميشوند. پس از بررسي روند منطقي روش پیشنهادي بر روي دو داده نمونه بر روي داده اصلي قطبیده راداري با روزنه مصنوعي در منطقه کشاورزي کشور کانادا مورد بررسي کامل قرار گرفته شد و نقشه تغییرات با دقت خوبي ارتبا اين تغییرات را با فاالیتهاي کشاورزي مانند مراحل رشد گیاهان را نشان داد. به دنبال ارتقاء روش پیشنهادي براي تحقیقات آتي به منظور شناسايي تغییرات توسط دادههاي قطبیده راداري پیشنهاد ميگردد تا از روشهايي که کل اطالعات ماتريس کوواريانس و يا ماتريس همدوسي که شامل تمام اطالعات قطبیدگي هستند مورد استفاده قرار گیرند. سپاسگزاری اين کشاورزي شکل 93 - پراکنش حجمي محصول سويا کرت 5 98 ژوئن 2192 98 جوالي 2192 شکلها به وضوح مطالاه مورد تغییرات رشد محصوالت را نشان ميدهد. همانطور که مشخص است براي دو محصول جو و گندم تغییري در بازه از موسسه تحقیقاتي زمین شاخه تیم کشاورزي و غذايي کشور کانادا و دانشگاه اوکالهاما که با جمعآوري اطالعات میداني و در اختیار گذاشتن اين اطالعات کمک شايان به انجام تحقیقات علمي در زمینههاي کشاورزي را مهیا نمودهاند تشکر و قدرداني مينمايیم. 128

مراجع نشريه علمي- پژوهشي علوم و فنون نقشه برداري دوره ششم شماره 2 آبان ماه 9315 [1] T. Celik, "Change detection in satellite images using a genetic algorithm approach," IEEE Geoscience and Remote Sensing Letters, vol. 7, pp. 386-390, 2010. [2] T. Celik, "Unsupervised change detection in satellite images using principal component analysis andmeans clustering," IEEE Geoscience and Remote Sensing Letters, vol. 6, pp. 772-776, 2009. [3] J. C. Curlander and R. N. McDonough, Synthetic aperture radar: John Wiley & Sons New York, NY, USA, 1991. [4] L. Bruzzone and D. F. Prieto, "Automatic analysis of the difference image for unsupervised change detection," IEEE Transactions on Geoscience and Remote sensing, vol. 38, pp. 1171-1182, 2000. [5] R. Shang, L. Qi, L. Jiao, R. Stolkin, and Y. Li, "Change detection in SAR images by artificial immune multiobjective clustering," Engineering Applications of Artificial Intelligence, vol. 31, pp. 53-67, 2014. [6] M. Hussain, D. Chen, A. Cheng, H. Wei, and D. Stanley, "Change detection from remotely sensed images: From pixel-based to object-based approaches," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 80, pp. 91-106, 2013. [7] J. R. Jensen, "Introductory digital image processing: a remote sensing perspective," Univ. of South Carolina, Columbus1986. [8] A. Singh, "Review article digital change detection techniques using remotely-sensed data," International journal of remote sensing, vol. 10, pp. 989-1003, 1989. [9] M. Gong, Z. Zhou, and J. Ma, "Change detection in synthetic aperture radar images based on image fusion and fuzzy clustering," IEEE Transactions on Image Processing, vol. 21, pp. 2141-2151, 2012. [10] Y. Maghsoudi, "Analysis of Radarsat-2 full polarimetric data for forest mapping," Degree of PhD, Department of Geomatics Engineering, University of Calgary, 2011. [11] N. Otsu, "A threshold selection method from gray-level histograms," Automatica, vol. 11, pp. 23-27, 1975. [12] J. Kittler and J. Illingworth, "Minimum error thresholding," Pattern recognition, vol. 19, pp. 41-47, 1986. [13] G. Moser and S. B. Serpico, "Generalized minimum-error thresholding for unsupervised change detection from SAR amplitude imagery," IEEE Transactions on Geoscience and Remote Sensing, vol. 44, p. 2972, 2006. [14] Y. Bazi, L. Bruzzone, and F. Melgani, "Image thresholding based on the EM algorithm and the generalized Gaussian distribution," Pattern Recognition, vol. 40, pp. 619-634, 2007. [15] R. G. Congalton, "A review of assessing the accuracy of classifications of remotely sensed data," Remote sensing of environment, vol. 37, pp. 35-46, 1991. [16] R. H. A.Gole, M.F.Rohni, "Basic of Calculate Statistic," 1389. [17] D. S. Matteson and N. A. James, "A nonparametric approach for multiple change point analysis of multivariate data," Journal of the American Statistical Association, vol. 109, pp. 334-345, 2014. [18] R. A. Schowengerdt,Remote sensing: models and methods for image processing: Academic press, 2006. [19] C. E. Rasmussen, "The infinite Gaussian mixture model," in NIPS, 1999, pp. 554-560. [20] J.-Y. Tourneret, M. Doisy, and M. Lavielle, "Bayesian off-line detection of multiple change-points corrupted by multiplicative noise: application to SAR image edge detection," Signal Processing, vol. 83, pp. 1871-1887, 2003. [21] H. Akaike, "A new look at the statistical model identification," IEEE transactions on automatic control, vol. 19, pp. 716-723, 1974. [22] S. M. Kay, "Fundamentals of statistical signal processing, volume I: estimation theory," 1993. [23] Y.-W. Tai, J. Jia, and C.-K. Tang, "Local color transfer via probabilistic segmentation by expectationmaximization," in 20 50IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), 2005, pp. 747-754. [24] G. McLachlan, "On the choice of starting values for the EM algorithm in fitting mixture models," The Statistician, pp. 417-425, 1988. [25] E.Kiana, S. Homayouni, M. Sharifi, and M. Farid-Rohani, "Unsupervised Change Detection in SAR images using Gaussian Mixture Models," The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 40, p. 407, 2015. 129

[26] P. A. Rosen, S. Hensley, K. Wheeler, G. Sadowy, T. Miller, S. Shaffer, et al., "UAVSAR: New NASA airborne SAR system for research," IEEE Aerospace and Electronic Systems Magazine, vol. 22, pp. 21-28, 2007. [27] P. A. Rosen, S. Hensley, K. Wheeler, G. Sadowy, T. Miller, S. Shaffer, et al., "UAVSAR: A new NASA airborne SAR system for science and technology research," in 2006 IEEE Conference on Radar, 2006, p. 8 pp. [28] J.-S. Lee and E. Pottier, Polarimetric radar imaging: from basics to applications: CRC press, 2009. با استفاده از آنالیز نقطهي تغییر در تصاوير قطبیده راداري آشکارسازي تغییرات محیطي 130