عنوان پایان‌نامه

تعیین تغییرات با استفاده از روش های بدون نظارت روی تصا ویر پلاریمترک راداری



    دانشجو در تاریخ ۲۵ شهریور ۱۳۹۲ ، به راهنمایی ، پایان نامه با عنوان "تعیین تغییرات با استفاده از روش های بدون نظارت روی تصا ویر پلاریمترک راداری" را دفاع نموده است.


    رشته تحصیلی
    مهندسی عمران- نقشه برداری- سنجش ازدور
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2582;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 62282
    تاریخ دفاع
    ۲۵ شهریور ۱۳۹۲
    دانشجو
    محمد علی اوغلی فاضل
    استاد راهنما
    جلال امینی
    چکیده
    لینک فایل چکیده
    امروزه سنجنده‏های راداری به یکی از پر کاربردترین فن‎آوری‏های سنجش از دور در علوم زمین تبدیل شده‏اند. استفاده از داده‌های تصویری راداری با توجه به ویژگی‌های منحصر به فرد آن‌ها، این امکان را فراهم می‌کند تا مطالعات گسترده‌ای در حوزه‌ی زیست‏محیطی، منابع طبیعی، کشاورزی و شهری انجام شود. یکی از مهم‌ترین کاربردهای سنجش از دور، بررسی و شناسایی بدون نظارت تغییرات پوششی زمین است. تعیین بدون نظارت تغییرات، بدون نیاز به داده‌های آموزشی، می‌تواند به خوبی وقوع و یا عدم وقوع تغییرات زمانی را مشخص کند. از این رو، اطلاعات حاصل در بسیاری از کاربردهای مدیریتی و برنامه‌سازی ضروری و مفید هستند. روش‌های مختلفی برای شناسایی تغییرات ارائه شده است که هر کدام مزایا و محدودیت‌های خاص خود را دارند. الگوریتم‌هایی که با تغییر فضای داده‌ها کار می‌کنند با توجه به ویژگی‌های فضای جدید، امکان شناسایی بیشتری را در اختیار قرار می‌دهند. همچنین در بسیاری از موارد تبدیل فضای داده‌ها، پیچیدگی‌های ذاتی داده‌ها و الگوریتم‌ها را کاهش می‌دهند. از این رو این پژوهش با استفاده از دو روش بدون نظارت که بر اساس انتقال داده‌های اصلی به فضایی جدید کار می‌کنند، به شناسایی تغییرات پوششی زمین پرداخته است. روش اول بر اساس تبدیل پیچک که یک تبدیل دوبعدی در فضای فرکانس است، و با در نظر گرفتن پارامترهای شکل و هندسه‌ی عوارض توسعه یافته است. در این روش با انتقال داده‌ها به حوزه‌ی فرکانس و با در نظر گرفتن مولفه‌های هندسی اشیاء، مطالعات واقعی‌تر و از نظر محاسبات پیچیدگی‌ها کم‌تر می‌شود. این روش با آنالیز داده‌های زمانی در فضای ضرایب پیچک و به کار بردن روش وزن‌دهی سازگار با داده‌ها تغییرات مناطق شهری را به خوبی تعیین می‌کند. روش دوم بر اساس تبدیلات بُعدی داده‌ها به کمک توابع کرنل ارائه شده است. با تبدیل بعدی داده‌ها، امکان جداسازی آن‌ها بیشتر می‌شود و با کاهش پیچیدگی‌ها، اطلاعات مشابه به درستی طبقه‌بندی می‌شوند. در این مرحله، می‌توان از توابع کرنل گوناگونی استفاده کرد اما با توجه به ماهیت تفاضلی تغییرات، در این پژوهش از تابع کرنل تفاضل استفاده شده است. این کرنل با در نظر گرفتن مولفه‌های تک-زمانه و چندزمانه به خوبی در آنالیزهای زمانی مورد استفاده قرار می‌گیرد. با تبدیل فضای بعدی داده‌ها به کمک کرنل تفاضل و با استفاده از روش کرنلی c-means دو دسته کلاس تغییر و عدم تغییر از هم جدا می‌شوند. در این روش برای مقدار دهی اولیه نیز از روشی سازگار استفاده شده است تا الگوریتم با سرعت و دقت بالایی به نتایج مورد نظر برسد. مقدار دهی اولیه برای تعیین داده‌های آموزشی الگوریتم بر اساس آمار و ماهیت تغییرات ارائه شده است. روش کرنل-پایه همچنین این امکان را فراهم می‌کند که داده‌های ورودی الگوریتم شناسایی تغییرات با توجه به کاربرد مورد نظر متنوع باشند. اطلاعاتی که با توجه به آنالیزهای پلاریمتری به دست می‌آیند می‌توانند به صورت تفاضلی و یا به صورت تجمعی وارد الگوریتم شناسایی تغییرات شوند. عملکرد هر کدام از الگوریتم‌های مطرح شده، با استفاده از شاخص‌های ارزیابی دقت روی سه دسته از داده‌های راداری مورد بررسی و ارزیابی قرار گرفته است. الگوریتم ارائه شده بر پایه‌ی تبدیل پیچک روی داده‌های تک‌قطبی ALOS از مناطق شهری تهران پیاده‌سازی شده است. داده‌های بعدی مربوط به داده‌های با قطبیدگی دوگانه ALOS از منطقه‌ی دریاچه‌ی ارومیه و نیز داده‌های پلاریمتریک کامل UAVSAR از مناطقی کشاورزی در کانادا است. نتایج به دست آمده نشان‌دهنده‌ی کارایی نسبتاً بالای الگوریتم‌ها در شناسایی تغییرات است. ارزیابی‌ها با توجه به پارامترهای دقت کلی، شاخص کاپا و نیز شاخص‌های هشدار اشتباه و عدم شناسایی، به صورت مقایسه‌ای مورد بررسی قرار گرفته‏اند. عملکرد قابل قبول الگوریتم‌های پیشنهادی بیانگر توانمندی این روش‏ها در کاربرد غیرنظارتی کشف تغییرات برای مطالعات محیط زیستی و منابع طبیعی است.
    Abstract
    Nowadays, radar sensors have become one of the most useful technologies in remote sensing of the earth sciences. Radar image data thanks to their unique characteristics are extensively used for various fields of environment, natural resources, agriculture and urban planning. Hence, the obtained information may be necessary and useful for the management and planning in many applications. One of the main applications of information extraction from remotely sensed data is unsupervised detection and identification of land-cover changes. Unsupervised change detection methods can determine both change and no-change status of ground without any a priori knowledge about these changes. Various methods have been proposed for change detection and have their own advantages and limitations. Algorithms that work by transforming the space of data into a new space, due to the characteristics of new space, will provide identification. Also in many cases, transformation of the space of data reduces the inherent complexity of data and algorithms. In this research, two methods are introduced for land-cover change detection based on the transformation of data into the new space. The first method is developed using the curvelet transformation, which is in frequency domain and considers the geometric and shape components of features. In this method by considering the geometric properties of objects, the algorithm became more realistic and the computational complexity was reduced. This method works by analyzing of temporal data in curvelet coefficients space and by applying the adaptive weighting method for coefficients. The second method is based on the dimensional transformations of data using the kernel functions. By dimensional transforming of data, it is possible to reduce the complexity, separate them effectively and classify the similar information properly. At this stage, different kernel functions can be used. However, due to the differential nature of the change, the difference kernel function is used for this study. The difference kernel function considers single- and cross-time components and can be used in multi-temporal analysis. Dimensional transforming, by using a proper difference kernel and a kernel-based c-means method, leads to correct separation of two changes and no-changes classes. This approach to reach the desired results, is used an adaptive method to initialize the algorithm rapidly and accurately. The input data information of kernel-based change detection algorithm can be varied according to the intended application. The information obtained from polarimetric analysis can be used in change detection paradigm. This information is employed for change detection algorithm as differential or stack forms. Each of two proposed algorithms is implemented and validated by the accuracy indices using the three radar data sets. The curvelet-based algorithm is applied on single-polarization ALOS data set from urban area in Tehran. The next data sets are dual-polarization ALOS from Uremia Lake and full polarimetric UAVSAR from agricultural lands in Canada. The obtained results indicate the efficiency of the algorithms in detection of land cover changes. The performance is investigated based on overall accuracy, Kappa coefficient, and false alarm and misdetection rates comparatively. Acceptable performance of the proposed algorithms reflects the ability of these change detection methods in civilized applications and environmental studies of natural resources. Keywords: Unsupervised change detection, Curvelet transformation, Kernel functions, Temporal analysis, SAR polarimetric data. University of Tehran College of Engineering Department of Surveying and Geomatics Engineering