بررسی پویایی و گسترش مناطق شهری با استفاده از نمونه های آموزشی خودکار حاصل از تلفیق تصاویر نور شب و قدرت تفکیک متوسط

گسترش شهرها یک فرآیند پویاست و به روزرسانی نقشه های شهری به منظور ارایه خدمات بسیار مهم است. داده های سنجش ازدوری منبع قدرتمندی برای استخراج مناطق ساخته شده می باشند؛ یکی از داده هایی که می تواند پویایی مناطق شهری را تشخیص دهد داده های نور شب است. ازآنجایی که مناطق شهری در هنگام شب توسط نورهای مصنوعی موجود در منازل و خیابان ها روشن می شوند، درنتیجه به خوبی از پس زمینه متمایز خواهند شد. ازاین روی مطالعه حاضر در تلاش است رشد و گسترش مناطق شهری را با استفاده از نمونه های آموزشی با کیفیت و اتوماتیک از روی ترکیبی از تصاویر نور شب و اپتیک، در یک بازه 24 ساله با دقت بالایی شناسایی و استخراج کند. دراین راستا برای تولید نمونه های آموزشی با کیفیت، شاخص نور شب تحت عنوان [1]VTNUI توسعه داده شده است که با ترکیب ویژگی های مختلف بدست آمده از تصاویر لندست و نور شب در محدوده های شهری و در نظر گرفتن روابط بین مناطق، پدیده اشباع[2] و شکوفایی[3] تصاویر نور شب در محدوده شهری را کاهش داد. سپس با بررسی حد آستانه های خودکار بر روی شاخص توسعه داده شده نمونه های آموزشی با کیفیت تولید شد تا طبقه بندی دقیق تری از مناطق شهری ارایه شود. ازاین روی ابتدا از نمونه های آموزشی اولیه به دست آمده با استفاده از حد آستانه خودکار بر روی تصاویر نور شب طبقه بندی اولیه صورت پذیرفت سپس نمونه ها با اعمال حد آستانه خودکار بر روی شاخص معرفی شده پالایش شدند و طبقه بندی نهایی صورت گرفت. درنهایت بر اساس تحلیل سری زمانی، روند رشد منطقه بررسی شده است. به منظور بررسی اثربخشی روش پیشنهادی، دو منطقه دارای اقلیم متفاوت انتخاب شد و بررسی های مختلف بصری و کمی برای ارزیابی صورت پذیرفت. نتایج طبقه بندی نهایی برای بابل و کرمان به ترتیب با میانگین ضریب کاپا 0/93 و 0/74 و میانگین دقت کلی 97/76 و 87/63 برای تمام سال های مورد بررسی به دست آمده است. [1] vegetation and Temperature -NTL urban index[2] saturation[3] blooming