ترکیب روش ‏های ادغام تصاویر چندزمانه و طبقه بندی جهت پایش تغییرات دریاچه مهارلو در بازه زمانی پنج ساله (2018 - 2013)

در بسیاری از تحقیق ها برای پایش تغییرات سطح آب ابتدا تصاویر چندزمانه به طور مجزا تحلیل می شوند و پس از استخراج محدوده آب، این محدوده ها با یکدیگر مقایسه شده و میزان تغییرات مشخص می‏ گردد. با وجود این، به روش هایی نیاز است که افزون بر دقت زیاد، شناسایی تغییرات را نیز تسهیل کنند. بنابراین، برای نیل به این هدف، در این تحقیق از روش ه ای ادغام تصاویر چند زمانه و طبقه بندی جهت استخراج تغییرات دریاچه مهارلو بین سال های 2013 تا 2018 استفاده می‏ شود.

پس از انجام پیش ‏پردازش ‏های لازم، از دو روش گرام – اشمیت و تبدیل مولفه های اصلی برای ادغام تصاویر استفاده شد و با اعمال روش های طبقه بندی بر روی تصاویر ادغام شده، مناطق تغییریافته و بدون ‏تغییر استخراج شدند. از روش های ماشین بردار پشتیبان (SVM)2 و حداکثر احتمال (ML)3 برای طبقه بندی تصاویر ادغام شده استفاده گردید. در مرحله بعد، ترکیب این روش‏ ها با یکدیگر مقایسه شده و بهترین ترکیب دوتایی استخراج گردیده است. در نهایت، روش انتخاب شده در این تحقیق با روش ‏های مرسوم پایش تغییرات مقایسه شد.

پس از مقایسه نتایج مشخص شد که دریاچه مهارلو از سال 2013 تا 2018 بر اساس روش گرام اشمیت - ماشین بردار پشتیبان حدود 3/163 کیلومتر عقب نشینی داشته است. بمنظور ارزیابی صحت نتایج، از صحت کلی و سنجه کاپا استفاده شد. با توجه به نتایج به دست آمده، روش گرام اشمیت - ماشین بردار پشتیبان دارای صحت کلی 33/99 درصد بوده و ضریب کاپای 99/0 را داراست و دارای کمترین خطای نسبی یعنی 92/3 کیلومترمربع می ‏باشد و نسبت به روش‏ های دیگر تغییرات را بهتر نشان می ‏دهد و نتایج آن به واقعیت زمینی نزدیکتر است. در مرحله بعد، سطوح آب با استفاده از روش ‏های مرسوم آشکارسازی تغییرات مانند روش تفاضل تصاویر، نسبت گیری باندی و تفاضل سنجه پوشش گیاهی از تصاویر استخراج شد و با نتایج حاصل از روش گرام اشمیت - ماشین بردار پشتیبان مورد مقایسه قرار گرفت. با توجه به نتایج گرفته شده، روش گرام اشمیت - ماشین بردار پشتیبان نسبت به روش ‏های دیگر دارای صحت کلی و ضریب کاپای بالاتر و در عین حال کمترین خطای نسبی می ‏باشد.

نتایج این تحقیق نشان می دهد که روش گرام- اشمیت برای ادغام تصاویر و ماشین بردار پشتیبان برای طبقه‏ بندی، نتایج مطلوبی در استخراج تغییرات در تصویر داشته است. این روش می‏ تواند به عنوان ابزاری موثر در پایش تغییرات مورد استفاده قرار گیرد، بویژه اینکه، ادغام تصاویر به دلیل بالا بردن قدرت تفکیک تصاویر می ‏تواند در بالا بردن دقت طبقه ‏بندی نیز موثر باشد.