مدلسازی عدم اطمینان در آشکارسازی تغییرات براساس طبقه بندی داده های ماهواره ای
محل انتشار: فصلنامه آمایش فضا و ژئوماتیک، دوره: 9، شماره: 1
سال انتشار: 1383
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 59
فایل این مقاله در 34 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_HSMSP-9-1_005
تاریخ نمایه سازی: 18 دی 1403
چکیده مقاله:
تهیه نقشه تغییرات کاربری و پوشش اراضی از نیازهای اساسی برای مدیریت و نظارت محیطی است. این نقشه ها در برنامه ریزی و تصمیم گیریهای مختلف استفاده می شوند، بنابراین تعیین قابلیت اعتماد و صحت این نقشه ها اهمیت زیادی دارد. در این مطالعه از یک روش جدید برای مدلسازی عدم اطمینان در آشکارسازی تغییرات استفاده شد. در این روش علاوه بر اطلاعات احتمالاتی، از ویژگیهای مکانی شامل فاصله، همسایگی، وسعت و نوع تغییر نیز استفاده به عمل آمد.
ابتدا تصاویر Landsat TM منطقه شهری اصفهان در سالهای ۱۹۹۸ و ۱۹۹۰ م. با استفاده از توابع چند جمله ای درجه اول هم مختصات شدند. سپس با استفاده از الگوریتم طبقهبندی، حداکثر مشابهت(MLC) در ده کلاس کاربری و پوشش اراضی طبقه بندی و ویژگیهای احتمالاتی نشان دهنده عضویت پیکسلها در کلاسهای مختلف محاسبه شدند. در مرحله بعد اطلاعات مکانی لازم برای مدلسازی عدم اطمینان در تغییر کاربری کشاورزی به مسکونی استخراج شد. آنگاه ویژگیهای مکانی و احتمالاتی به کمک رگرسیون لاجیستیک ترکیب شدند و لایه نشان دهنده عدم اطمینان مربوط به تغییر اراضی کشاورزی به مسکونی تهیه شد. از شاخص (ROC) نیز برای ارزیابی کیفیت مدل تهیه شده، استفاده شد. مقدار آن برابر ۹۹۴۴/۰ محاسبه شد که نشان دهنده دقت بالای مدل عدم اطمینان به دست آمده است. با توجه به نتایج این تحقیق، استفاده و توسعه از این مدل برای براورد و ارزیابی عدم
اطمینان در آشکارسازی تغییرات کاربری و پوشش توصیه می شود.
کلیدواژه ها:
Change Detection ، Isfahan ، Modeling ، Uncertainty ، Lans ، آشکارسازی تغییرات ، اصفهان ، کلید واژه ها: مدلسازی ، عدم اطمینان ، لندست TM
نویسندگان
پرویز ضیائیان
Assistant Professor, Department of Geography, Tarbiat Moallem University
عباس علیمحمدی
Assistant Professor, Faculty of Mapping, KNT University
حمیدرضا ربیعی
M.Sc. Graduate, Department of Remote Sensing, Tarbiat Modarres University