کاربرد تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA) جهت استخراج مناطق ساخته شده شهری و استفاده از آن در شبکه عصبی مصنوعی (MLP) برای پیش بینی رشدآتی شهر

Abstract

<strong>استفاده از تصاویر ماهواره</strong><strong>‌</strong><strong>ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش</strong><strong>‌</strong><strong>بینی مناطق ساخته شده شهری در دهه</strong><strong>‌</strong><strong>های اخیر توسعه یافته است. مهم</strong><strong>‌</strong><strong>ترین گام در پیش</strong><strong>‌</strong><strong>بینی رشد مناطق شهری، استخراج ویژگی</strong><strong>‌</strong><strong>های سطح شهر با دقت و صحت بالا و مهم</strong><strong>‌</strong><strong>ترین چالش در این راه پیچید</strong><strong>‌</strong><strong>گی عوارض شهری و مسئله پیکسل</strong><strong>‌</strong><strong>های مخلوط است. هدف از این تحقیق استفاده از مدل</strong><strong>‌</strong><strong>های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش</strong><strong>‌</strong><strong>بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سال</strong><strong>‌</strong><strong>های؛ 0991 (سنجنده </strong>TM<strong>)، 2002 (سنجنده </strong>+ETM<strong>) و5102 (سنجنده</strong> OLI/TIRS<strong>) و روش تجزیه و تحلیل طیف مخلوط نرمال شده (</strong>NSMA<strong>)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه</strong><strong>‌</strong><strong>های کسری پوشش به عنوان لایه</strong><strong>‌</strong><strong>های ورودی و عضوهای پایانی به عنوان نمونه</strong><strong>‌</strong><strong>های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه</strong><strong>‌</strong><strong>بندی</strong><strong>‌</strong><strong>کننده استفاده شد؛ که در نتیجه صحت کلی بالای 99</strong>%<strong>و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش</strong><strong>‌</strong><strong>بینی رشد شهری با شبکه عصبی در این تحقیق از مدل پرسپترون چند لایه(</strong>MLP<strong>)با الگوریتم یادگیری پس انتشار (</strong>BP<strong>) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه</strong><strong>‌</strong><strong>بندی سال 5102 ، ضریب کاپای 29</strong>%<strong>،کاپای استاندارد 98</strong>%<strong> و کاپای طبقه</strong><strong>‌</strong><strong>ای (برای طبقه ساخته شده) 39</strong>%<strong>، را نشان داد. مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش</strong><strong>‌</strong><strong>بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.</strong>