آشکارسازی تغییرات در مناطق شهری با تلفیق در سطح تصمیم نقشه های تغییرات بدست آمده از تصاویر نوری و پلاریمتری

با توجه به گسترش شهر نشینی در چند دهه ی گذشته، تغییرات ایجاد شده با بکارگیری تکنیک های آشکارسازی تغییرات شهری نمایان می شود که جهت برنامه ریزی شهری مورد استفاده قرار می گیرد.  استفاده از روش های مختلف آشکارسازی تغییرات و اعمال آن بر داده های راداری و نوری سنجش از دوری مزایا و معایبی دارند. تلفیق این روش ها و دسته داده ها می تواند به ما این امکان را بدهد که معایبشان پوشیده شود و مکمل یکدیگر باشند. بدین منظور، در این مقاله یک روش تلفیق در سطح تصمیم مبتنی بر رای اکثریت برای تلفیق نقشه های تغییرات حاصل از روش های مختلف اعمال شده روی دو دسته داده ی نوری و پلاریمتری پیشنهاد شده است. پس از اعمال پیش پردازش های لازم و استخراج ویژگی های مورد نظر از تصاویر نوری و پلاریمتری، به طبقه بندی آن ها به صورت جداگانه و با روش های مختلف مانند روش های طبقه بندی شی مبنا (روش نزدیکترین همسایه و روش ماشین بردار پشتیبان) و روش های طبقه بندی پیکسل مبنا (حداکثر احتمال، شبکه عصبی، ماشین بردار پشتیبان) برای تصاویر نوری و روش های طبقه بندی ویشارت و ماشین بردار پشتیبان برای تصاویر پلاریمتری می پردازیم. با اعمال روش های مختلف آشکارسازی تغییرات نقشه های تغییرات از تصاویر نوری و پلاریمتری حاصل می شوند. در مرحله آخر نقشه تغییرات نهایی با اعمال الگوریتم رای اکثریت بر نقشه های تغییرات بدست آمده استخراج می شود. به منظور ارزیابی دقت و کارایی روش پیشنهادی، این روش بر روی تصاویر نوری حاصل از Google Earth، سنجنده QuickBird و تصاویر پلاریمتری روزنه ترکیبی UAVSAR از حومه شهر اوکلند در کالیفرنیا، آمریکا مربوط به دو تاریخ 2010 و 2017 اعمال شد. به منظور روشن شدن اهمیت بکارگیری هر دو تصاویر نوری و پلاریمتری، الگوریتم تلفیق رای اکثریت روی نقشه های تغییرات حاصل از تصاویر نوری و پلاریمتری بصورت جداگانه نیز اعمال شد. جهت انجام ارزیابی مقایسه ای، دقت نقشه تغییرات بدست آمده با استفاده از روش پیشنهادی و با بکارگیری تصاویر نوری بصورت مستقل (دقت کلی: 80.86% و کاپا: 0.67)، تصاویر پلاریمتری بصورت مستقل (دقت کلی: 75.43% و کاپا: 0.5)، استفاده همزمان از هر دو نوع تصویر (دقت کلی: 88.48% و کاپا: 0.79) و همچنین با بکارگیری نقشه های تغییرات هر دو دسته داده با بیشترین دقت (دقت کلی: 88.81% و کاپا: 0.79) محاسبه شد. در انتها نقشه ی تغییراتی با دقت کلی: 90.11% و کاپا: 0.82 حاصل شد.