بخشی از مقاله
چکیده :
در پژوهش حاضر چارچوبی برای تهیه نقشه باینری تغییرات، با بکارگیری الگوریتم ژنتیک و مدل مخفی زنجیره تصادفی مارکوف، با هدف تحلیل فرآیندهای مربوط به تغییرات ارائه شده است. از الگوریتم ژنتیک جهت بهینهسازی پارامتر m در خوشهبندی FCM استفاده شده است چرا که با تغییر مقدار پارامتر m، توابع عضویت با مقادیر مختلفی برای روشهای خوشهبندی FCM تولید میشود و از طرفی مقادیر مختلف پارامتر m منجر به نتایج مختلف این روشها در شناسایی خوشههای مربوط به تغییرات میشود.
جهت بهرهبرداری از اطلاعات مکانی در جهت بهبود نتایج کمی و کیفی نقشه باینری تغییرات، نتیجه حاصل از خوشهبندی FCM برمبنای الگوریتم ژنتیک با استفاده از مدل مخفی زنجیره تصادفی مارکوف مجدداً برچسبدهی شد. جهت ارزیابی نتایج از تصاویرچندزمانه با قدرت تفکیک بالای TerraSAR-X از دریاچه در حال احداث چیتگر در بازه زمانی 2011 تا 2012 استفاده شده است. جهت بررسی اثر همسایگی در تهیه نقشه باینری تغییرات از مقادیر مختلف پارامتر در این زمینه استفاده شد.
نتایج نشان میدهد با افزایش مقدار این پارامتر نقشه تغییرات با نرخ خطای کل، نرخ هشدار اشتباه و نرخ هشدار خطای کمتر بدست میآید. همچنین جهت ارزیابی عملکرد روش پیشنهادی در جهت شناسایی نظارتنشده تغییرات، این روش با روشهای Otsu، EM، MRF، خوشهبندی FCM - m=2 - مقایسه گردید. نرخ خطای کل روش پیشنهادی نسبت به روش حدآستانهگذاری Otsu، خوشهبندی FCM - m=2 - ، MRF و الگوریتم EM به میزان 4.56، 4.38، 4.74 و 15.78 بهبود یافته است. نتایج حاصل مؤید قابلیت بالای روش پیشنهادی برای آشکارسازی اتوماتیک و نظارتنشده با استفاده از تصاویر ماهواره-ای چندزمانه SAR است.
-1 مقدمه
آشکارسازی اتوماتیک تغییرات یکی از کاربردهای مهم فتوگرامتری و سنجش از دور است، که در آن به پردازش و معرفی اختلاف بین مناطق مختلف در تصاویر هوایی و ماهوارهای چندزمانه میپردازند . [1] شناسایی تغییرات در سنجش از دور و فتوگرامتری به دو روش نظارت شده و نظارت نشده صورت میگیرد. مسئله آنالیز و کشف تغییرات با استفاده از روشهای نظارتنشده شناسایی تغییرات، مربوط به زمانی است که حصول نقشه باینری تغییرات که تنها محل تغییرات را نشان می دهد کافی بوده و نیازی به استخراج نقشه ماهیت تغییرات نیست. در واقع مسئله شناسایی تغییرات با استفاده از این تکنیک، یک مسئله خوشهبندی با دو خوشه تغییر و غیرتغییر میباشد. پایش اتوماتیک تغییرات در آمایش رشد و توسعه شهر نسبت به روشهای نظارتشده و نیمهاتوماتیک و دستی به زمان و هزینه کمتر نیاز دارد و همچنین موجب کاهش شدید نقش اپراتور انسانی در پایش تغییرات میشود .[2]آنچه موجب توسعه استفاده از تصاویر ماهوارهای چندزمانه1 در زمینه آشکارسازی تغییرات 2 میشود، نظارت بر زمین و بهرهبرداری بهینه از منابع آن میباشد.
به طور کلی میتوان گفت پایش اتوماتیک تغییرات با استفاده از دادههای سنجش از دور، تحت تأثیر شرایط گوناگون زمانی، طیفی، مکانی، موضوعی، حد تفکیک رادیومتریکی3، شرایط اتمسفری4 و رطوبت خاک5 می-باشد. در مقایسه با تصاویر ماهوارهای نوری6، از تصاویر ماهوارهای چندزمانه SAR، کمتر در زمینهی پایش اتوماتیک تغییرات استفاده شده است
ماهیت پیچیده تشکیل تصاویر SAR باعث شده که نتایج حاصل از روشهای پایش اتوماتیک تغییرات با این تصاویر، به شدت به پیشپردازشهای اولیه و به خصوص کاهش اثر اسپیکل7 وابسته باشد .[2] به دلیل محدودهی طیفی که امواج راداری در آن قرار دارند تصاویر حاصل از سنجندههای راداری کمتر تحت تأثیر اثرات اتمسفری و شرایط روشنایی خورشید8 است.[4] بنابراین تصاویر SAR برای نظارت بر مناطقی که از نظر آب و هوایی بارانی و ابری هستند، دارای قابلیت و کارایی بالایی میباشند.
وِن9 و همکارانش در سال 2011 به پایش تغییرات مرکز شهر توکیو با استفاده از تصاویر ماهوارهای چندزمانه SAR با قدرت تفکیک مکانی بالا پرداختند و فاکتور جدیدی را بر مبنای ترکیب تصویر اختلاف و ضریب همبستگی10 پیشنهاد دادند
مانگو11 و همکارانش در سال 2012 روش جدیدی در تولید تصویر اختلاف در جهت پایش تغییرات با استفاده از تصاویر ماهوارهای چندزمانه SAR ارائه دادند که نسبت به روشهای دیگر دارای دقت بالاتری در تولید نقشه تغییرات بود[.6]پاوُل12و همکارانش در سال 2013 رویکرد جدیدی بر مبنای تلفیق تصاویر اختلاف به منظور پایش تغییرات از روی تصاویر ماهوارهای چندزمانه SAR با استفاده از خوشهبندی C میانگین فازی - FCM - 13 ارائه دادند و به این نتیجه رسیدند که استفاده از تلفیق14 تصاویر اختلاف باعث افزایش دقت در تولید نقشه تغییرات میشود
در اکثر تحقیقات صورت گرفته بر مبنای شناسایی نظارت نشده تغییرات از خوشهبندی FCM جهت تولید نقشه تغییرات استفاده شده است. با توجه به این موضوع که با تغییر مقدار پارامتر m، توابع عضویت با مقادیر مختلفی برای خوشهبندی FCM تولید میشود و از طرفی مقادیر مختلف پارامتر m منجر به نتایج مختلف این روشها در شناسایی خوشههای مربوط به تغییرات میشود، روش خوشهبندی FCM و کلیه روشهای خوشهبندی فازی مشتق از این روش به مقدار پارامتر m حساس میباشند و تعیین این پارامتر از جمله چالشهای پیشرو در این خوشهبندیها و روشهای شناسایی تغییرات وابسته به این خوشهبندیها استبِزدِک.15 و همکارانش در سال 1984 مقدار بهینه m را بین 1/5 تا 3 در نظر گرفتند
جُردن 16 در سال 1992 پیشنهاد کردند که m=12 مقدار بهینه برای این پارامتر میباشددِیِر.17 در سال 2003 مقدار m=1/6 را به عنوان مقدار مناسب جهت پیشنهاد دادند؛ اما مسئله اینجاست که چه مقداری برای پارامتر m میتواند به عنوان مقدار بهینه در نظر گرفته شود. در مسائلی نظیر این موردمعمولاً، از الگوریتمهای جستجوی تصادفی نظیر الگوریتم ژنتیک جهت بهینهسازی پارامتر استفاده میشود. در صورت تنظیم مناسب پارامتر-های این الگوریتمها میتوان مجموعه جواب بهینه را یافت، بطوریکه در مینیممهای محلی همگرا نشوند
به همین دلیل در این تحقیق سعی شده است که با استفاده از روشهای بهینه از تصاویر ماهوارهای چندزمانه SAR برای پایش اتوماتیک تغییرات استفاده شود. در روش پیشنهادی در این تحقیق از تصاویر ماهوارهای چندزمانه با قدرت تفکیک بالای SAR به عنوان ورودی الگوریتم استفاده شده و برای تولید تصویر اختلاف از تلفیق تصاویر اختلاف با استفاده از تبدیل موجک گسسته - SWT - 18، و برای بالا بردن اتوماسیون برای تولید نقشه تغییرات از روی تصویر اختلاف از تکنیک خوشهبندیFCM 19 بهینهسازی شده با استفاده از الگوریتم ژنتیک استفاده شد و جهت بهره برداری از اطلاعات مکانی از مدل مخفی زنجیره تصادفی مارکوف استفاده شد. در ادامه مبانی روش پیشنهادی بیان شده و در بخش سوم دادهها و منطقه مورد مطالعه و در بخش چهارم معیارهای کمی ارزیابی نتایج بیان میشود سپس در بخش چهارم به ارزیابی و پیادهسازی نتایج پرداخته میشود و در نهایت در بخش پنجم نتیجهگیری بیان میشود.
-2 مبانی روش پیشنهادی
روشهای آشکارسازی نظارت نشده تغییرات به طور کلی از سه مرحله اصلی تشکیل شدهاند. مرحله اول این روشها شامل پیشپردازش و مرحله دوم، شامل تولید تصویر اختلاف با استفاده از روشهای گوناگون میباشد و در نهایت در مرحله سوم نقشه باینری تغییرات تولید میگردد. بیشتر روشهای شناسایی نظارتنشده تغییرات براساس تولید بهینه تصویر اختلاف توسعه داده شدهاند. در این تحقیق با الگو قرار دادن روش پاوُل در تولید تصویر اختلاف با استفاده از تبدیل موجک گسسته SWT سعی در بهینه کردن نتایج شناسایی نظارت نشده تغییرات با استفاده از مجموعههای خوشهبندی با استفاده از الگوریتم ژنتیک و مدل مخفی زنجیره تصادفی مارکوف شده است. شکل 1 فلوچارت روش پیشنهادی در شناسایی نظارتنشده تغییرات با استفاده از روش پیشنهادی را نشان میدهد.
