عنوان پایان‌نامه
ارائه یک روش اشکار سازی نیمه نظارت شده تغییرات مبتنی بر روشهای کرنل پایه با استفاده از داده های سنجش از دوری
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3227;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74373
- تاریخ دفاع
- ۰۶ اردیبهشت ۱۳۹۵
- دانشجو
- رضا شاه حسینی
- استاد راهنما
- عبدالرضا صفری
- چکیده
- کشف تغییرات و خسارات ناشی از وقوع بلایای طبیعی، تخریب محیط زیست ناشی از فعالیت-های بشری و گسترش مناطق شهری، به علت محدودیت زمانی و اهمیت بالا در مدیریت بحران از جمله عملیات دشوار و حساس می باشد. بنابراین نیاز به روش های کشف تغییرات خودکار و دقیق با حداقل وابستگی به کاربر ماهر جهت تولید نقشه تغییرات به شدت احساس می شود. اغلب روش های کشف تغییرات متداول با استفاده از تصاویر سنجش از دوری، مبتنی بر تشخیص تغییرات طیفی و محاسبه فاصله طیفی بین پیکسل ها بوده و ماهیت تغییرات بصورت خطی در نظر گرفته می شود. بنابراین ماهیت تغییرات به صورت یک بعدی در نظر گرفته شده و اطلاعات مفید بین تصاویر چند زمانه لحاظ نمی شود. لذا در مواردی که تصاویر سنجش از دوری تحت تاثیر نویز و یا تغییرات رادیومتریکی نرمال نشده هستند و ماهیت تغییرات به صورت غیرخطی است، ناکارآمد هستند. به منظور حل این مشکلات، در این رساله دو مجموعه روش کشف تغییرات نیمه نظارت شده کرنل پایه در سطوح پیکسل و شیء با استفاده ترکیبی از روش های آنالیز مولفه بردار تغییر، خوشه بندی کرنل پایه و طبقه بندی کننده دو کلاسه کرنل پایه پیشنهاد شده است. از روش های کشف تغییرات کرنل پایه پیشنهادی در کاربردهای متفاوت از جمله (1) کشف تغییرات ناشی از توسعه شهری، (2) کشف تغییرات محیطی ناشی از بلایای طبیعی (سیل، زلزله و سونامی) و (3) کشف تغییرات محیطی ناشی از جنگل زدایی، استفاده شده است. همچنین از طیف وسیعی از تصاویر سنجش از دوری راداری و اپتیکی از جمله تصاویر ماهواره های لندست، کوئیک برد، آیکونوس، رادارست-2 و تراسار ایکس استفاده شد. آنالیز دقت مقایسه ای روش کشف تغییرات پیشنهادی کرنل پایه (دقت کلی:95.03، کاپا:0.90) نسبت به روش های اخیر کشف تغییرات کرنل پایه مبتنی بر ماشین های بردار پشتیبان (دقت کلی:90.86.، کاپا:0.82) و توصیف داده بردار پشتیبان (دقت کلی:90.41، کاپا:0.85)، نشان دهنده کارایی و دقت بالای روش پیشنهادی در تولید نقشه تغییرات است. واژه‌های کلیدی: تصاویر سنجش از دوری، کشف تغییرات، کرنل پایه، شیء گرا و پیکسل مبنا، خوشه بندی، آنالیز بردار تغییر، ماشین های بردار پشتیبان، توصیف داده بردار پشتیبان، تابع هزینه.
- Abstract
- Changes and damage detection caused by natural disasters, environmental degradation, and urban expansion are essential operation that should be accomplished before any disaster managenet procedures. Thus, the need for timely, automated and accurate method of change detection (CD), with minimum dependence on skilled user has special interest for decision makers. The conventional CD methods using remote sensing imagery are based on detecting spectral changes and spectral distance between multi-temporal pixels is calculated. So, the nature of the changes which should be considered as one-dimensional and useful information in multi-temporal imageries is not considered. Therefore, the conventional CD methods are ineffective in the cases where remote sensing imageries are affected by noise or non-normalized radiometric and non-linear nature of the changes. To resolve these problems, two sets of semi-supervised kernel-based CD methods in pixel level and object-oriented level using combination of change vector analysis, kernel-based clustering and kernel-based binary classifiers are proposed. The proposed kernel-based CD methods used in various applications, including (1) the detection of changes resulting from urban expansion, (2) the detection of environmental changes caused by natural disasters (flood, earthquake and tsunami) and (3) detection the environmental changes caused by deforestation. In order to analyze the accuracy of the proposed methods, a complete dataset including radar and optical remote sensing imageries such as Landsat, Quickbird, IKONOS, Radarsat-2 and TerraSAR-X satellite imageries were used. Finally, comparative accuracy analysis of the proposed method (overall accuracy: 95.03, kappa: 0.90) compared to the other well known recent kernel-based CD method, based on support vector machines (overall accuracy: 90.86., Kappa: 0.82) and the support vector data description (overall accuracy: 90.41, kappa: 0.85); demonstrated the efficiency and accuracy of the proposed method in change map production. Keywords: remote sensing, change detection, kernel-based, object-oriented and pixel-based, clustering, change vector analysis, support vector machines, support vector data description, cost function.
