آشکارسازی تغییرات مناطق شهری مبتنی بر شبکه های عصبی، ویژگی های مکانی و الگوریتم ژنتیک با استفاده از تصاویر ماهواره ای بزرگ مقیاس

آشکارسازی تغییرات پوشش اراضی برای پایش رشد شهرها و برنامه ریزی مسئولانه در مورد آنها امری ضروری است. سنجش از دور فناوری قدرتمندی است که می توان از آن در آشکار سازی تغییرات اراضی استفاده کرد. یکی از چالش های موجود در این زمینه توسعه روش های کارآمد به منظور آشکار سازی تغییرات با سطح خودکارسازی بالاست که بتواند اطلاعاتی صحیحی در مورد موقعیت جغرافیایی و ماهیت این تغییرات ارائه کند. در پژوهش حاضر با استفاده از دو تصویر GeoEye منطقه 17 شهر تهران مربوط به سال های 2004 و 2010 از ویژگی های مکانی متن تصویر، شبکه های عصبی و الگوریتم ژنتیک برای آشکار سازی تغییرات استفاده شد. شش حالت مختلف، هریک با دو رویکرد طبقه بندی مستقیم چندزمانی و مقایسه پس از طبقه بندی، از دیدگاه صحت آشکارسازی و زمان اجرای الگوریتم مورد مقایسه قرار گرفتند. بررسی های انجام شده نشان دادند که رویکرد طبقه بندی مستقیم چندزمانی در هر شش حالت نتایج بهتری ارائه کرده است. همچنین در بین شش حالت بررسی شده، عملکرد حالت ششم (روش پیشنهادی این تحقیق) از نظر صحت طبقه بندی بهتر است. در حالت ششم پس از انتخاب بهینه ویژگی ها، طبقه بندی مبتنی بر شبکه های عصبی با تعیین معماری شبکه و با چندین بار اجرا صورت می گیرد. هرچند زمان اجرای این روش درمقایسه با دیگر حالت های بررسی شده بیشتر است، اما درصورتی که صحت طبقه بندی به زمان ارجحیت داشته باشد این روش کاملا توصیه می شود.