شناسایی اتوماتیک تغییرات کاربری/پوشش اراضی از تصاویر سنجش از دور چندزمانه و نقشه های قدیمی با پالایش نمونه های آموزشی مبتنی بر آزمون خی-دو و خوشه بندی k-means

انتخاب نمونه های آموزشی، مرحله ای بسیار مهم و تاثیرگذار در نتایج طبقه بندی و شناسایی تغییرات از تصاویر سنجش از دور بوده و لازم است با حساسیت بالایی انجام گیرد. این نمونه ها اغلب توسط عامل انسانی تعیین می شوند که فرآیندی زمان‍بر بوده و مستعد خطای بالایی است. نقشه های قدیمی می توانند منبع اطلاعاتی ارزشمندی برای انتخاب و تهیه نمونه های آموزشی باشند. در صورتی که این نمونه ها بطور صحیح پالایش شوند، می توانند سبب تسریع، تسهیل و همچنین افزایش صحت فرآیند شناسایی تغییرات شوند. نوآوری اصلی مقاله حاضر، اهتمام در فرآیند پالایش نمونه ها است که با پیشنهاد مدلی مبتنی بر آزمون آماری خی دو و خوشه بندی k-means میسر شده است. این روش ضمن اینکه با بکارگیری آزمون آماری خی-دو، سعی در انتخاب نمونه های آموزشی خالص دارد، با خوشه بندی چندگانه نمونه های آموزشی با تکنیک k-means و انتخاب نمونه های نزدیک به مراکز خوشه های داخلی هر کلاس، تنوع طیفی داخلی کلاسها را نیز لحاظ می نماید. در روش پیشنهادی؛ جهت بهبود صحت طبقه بندی و تشخیص تغییرات ، ویژگی های طیفی و بافتی مرتبه اول و دوم ماتریس رخداد همزمان، استخراج و در فرآیند طبقه بندی به روش ماشین بردار پشتیبان(SVM)  مورد استفاده قرار می گیرد. لازم به ذکر است به منظور ارتقای صحت طبقه بندی و شناسایی تغییرات، فرآیند انتخاب مجموعه ویژگی های بهینه و پارامترهای طبقه بندی کننده SVM با الگوریتم ژنتیک بهینه شده اند. جهت پیاده سازی و ارزیابی روش پیشنهادی، از تصاویر دوزمانه در بازه زمانی 2011 و 2015 و نقشه کاربری اراضی سال 2009 مربوط به شهر شیراز استفاده شد. با بکارگیری روش ارایه شده در این تحقیق، نقشه های موضوعی منطقه مورد مطالعه با صحت کلی 72/98% و 57/94% بهنگام گردیده و با مقایسه آنها، نقشه ماهیت تغییرات حاصل گردید. ارزیابی نتایج نشان داد؛ فرآیند پالایش نمونه های آموزشی سبب بهبود نتایج طبقه بندی تصویر سال 2011 (افزایش ضریب کاپا از 65% به 87% و افزایش صحت کلی از 73% به 91%) و همچنین تصویر سال 2015 (افزایش صحت کلی از 69% به 32/86% و افزایش ضریب کاپا از 59% به  48/80%) شده است.