استفاده از تصاویر ماهواره ای با قدرت تفكیك مكانی متوسط به منظور شناسایی، نظارت و پیش بینی مناطق ساخته شده شهری در دهه های اخیر توسعه یافته است. مهم ترین گام در پیش بینی رشد مناطق شهری، استخراج ویژگی های سطح شهر با دقت و صحت بالا و مهم ترین چالش در این راه پیچیدگی عوارض شهری و مسائل فنی ویژه ای مانند پیكسل های مخلوط است.
مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل كرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت كمتری دارد.
هدف از تحقیقی که به تازگی در این راستا انجام شده است، استفاده از مدل های تجزیه و تحلیل زیر پیكسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش بینی برای تغییرات رشد آتی این شهر است. به این منظور از سه تصویر از نوع لندست که مربوط به سال های؛ 0991 (سنجنده TM)، 2002 (سنجنده ETM) و 5102 (سنجنده OLI/TIRS) بوده اند استفاده شده است.
علاوه بر این نیز روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه های كسری پوشش به عنوان لایه های ورودی و عضوهای پایانی به عنوان نمونه های آموزشی و الگوریتم حداكثر احتمال به عنوان الگوریتم طبقه بندی كننده استفاده شد.
در نتیجه این فرایند، صحت كلی بالای 99% و ضریب كاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش بینی رشد شهری با شبكه عصبی در این تحقیق از مدل پرسپترون چند لایه (MLP) با الگوریتم یادگیری پس انتشار (BP) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه بندی سال 2015، ضریب كاپای 29%، كاپای استاندارد 98% و كاپای طبقه ای (برای طبقه ساخته شده) 39% را نشان داد.
شایان ذکر است که مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل كرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت كمتری دارد.
منبع: بهرام جمعه زاده، سیروس هاشمی، علی درویشی بلورانی، مجید كیاورز، 1394. كاربرد تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA) جهت استخراج مناطق ساخته شده شهری و استفاده از آن در شبكه عصبی مصنوعی (MLP) برای پیش بینی رشدآتی شهر، فصلنامه اطلاعات جغرافیایی (سپهر)، سال بیست و چهارم، شماره 96
No tags for this post.