اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,244
تعداد مقالات9,010
تعداد مشاهده مقاله7,871,339
تعداد دریافت فایل اصل مقاله4,721,308
عرب سعیدی, علیرضا, مالیان, عباس. (1396). پایش تغییرات پوشش کاربری اراضی به کمک تلفیق ماسک باینری و روش پس رده‌بندی در تصاویر ماهواره‌ای چندزمانه (بررسی موردی: منطقه فرودگاه بین‌المللی امام خمینی(ره)). پدافند الکترونیکی و سایبری, 9(1), 57-66.
علیرضا عرب سعیدی; عباس مالیان. "پایش تغییرات پوشش کاربری اراضی به کمک تلفیق ماسک باینری و روش پس رده‌بندی در تصاویر ماهواره‌ای چندزمانه (بررسی موردی: منطقه فرودگاه بین‌المللی امام خمینی(ره))". پدافند الکترونیکی و سایبری, 9, 1, 1396, 57-66.
عرب سعیدی, علیرضا, مالیان, عباس. (1396). 'پایش تغییرات پوشش کاربری اراضی به کمک تلفیق ماسک باینری و روش پس رده‌بندی در تصاویر ماهواره‌ای چندزمانه (بررسی موردی: منطقه فرودگاه بین‌المللی امام خمینی(ره))', پدافند الکترونیکی و سایبری, 9(1), pp. 57-66.
عرب سعیدی, علیرضا, مالیان, عباس. پایش تغییرات پوشش کاربری اراضی به کمک تلفیق ماسک باینری و روش پس رده‌بندی در تصاویر ماهواره‌ای چندزمانه (بررسی موردی: منطقه فرودگاه بین‌المللی امام خمینی(ره)). پدافند الکترونیکی و سایبری, 1396; 9(1): 57-66.

پایش تغییرات پوشش کاربری اراضی به کمک تلفیق ماسک باینری و روش پس رده‌بندی در تصاویر ماهواره‌ای چندزمانه (بررسی موردی: منطقه فرودگاه بین‌المللی امام خمینی(ره))

پدافند غیرعامل
مقاله 4، دوره 9، شماره 1، اردیبهشت 1397، صفحه 57-66    اصل مقاله (1.21 M)
نویسندگان
علیرضا عرب سعیدی* 1؛ عباس مالیان2
1دانشگاه شهید رجایی
2دانشگاه تربیت دبیر شهید رجایی
تاریخ دریافت: 08 بهمن 1395،  تاریخ بازنگری: 30 مهر 1402،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
داشتن نقشه دقیق و اطلاعات مکانی قابل ‌اطمینان می‌تواند مبنای تصمیم‌گیری صحیح و مدیریت دانش‌بنیان فعالیت‌های عمرانی در اطراف شهرهای بزرگ باشد. فرآیند آشکارسازی تغییرات زمینه را برای بهنگام­سازی اطلاعات مکانی فراهم می‌سازد. روش‌های متنوعی به‌منظور انجام فرآیند آشکارسازی تغییرات توسط تصاویر ماهواره‌ای تاکنون ارائه ‌شده است. در این مطالعه، تغییرات کاربری اراضی ناشی از تأسیس فرودگاه بین‌المللی امام خمینی (ره) و تأثیر آن بر محیط‌زیست پیرامونی طی یک دوره ده ‌ساله مورد بررسی قرار گرفت. به‌منظور بررسی و تحلیل تغییرات از روش تلفیقی تولید ماسک باینری و مقایسه پس­رده‌بندی استفاده شد. ماسک باینری توسط روش‌های تسلدکپ و تلفیق روش‌های آستانه­گذاری خودکار اتسو و کیتلر پیاده‌سازی شد و مقایسه نیز توسط رده‌بندهای بیشترین شباهت، ماشین بردار پشتیبان و شبکه عصبی مصنوعی صورت گرفت. در این مطالعه از تصاویر متوسط مقیاس سنجنده TM ماهواره‌ لندست مربوط به سال‌های 2000، 2006 و 2010 برای شناسایی تغییرات استفاده شد. نتایج به‌دست‌آمده نشان می‌دهد که روش پیشنهادی از نظر مقایسه کمی و کیفی در نشان­دادن تغییرات در مقایسه با روش پس­رده‌بندی و بدون تلفیق ماسک از دقت بالاتری برخوردار بوده است. دقت کلی و ضریب کاپا در حالت استفاده از روش شبکه عصبی برای تولید نقشه تغییرات معادل 51/76 و 68/78 بوده است. درحالی‌که دقت روش مقایسه پس­رده‌بندی برای شبکه عصبی معادل 66/67 و 86/49 به‌دست ‌آمده است
کلیدواژه‌ها
آشکارسازی تغییرات؛ تلفیق آستانه‌گذاری؛ مقایسه پس‌رده‌بندی؛ شبکه عصبی مصنوعی؛ تصاویر ماهواره‌ای لندست
عنوان مقاله [English]
-
مراجع
  1. خزایی، صفا، روستایی حسین آبادی، سعید، مکان‌یابی پناهگاه‌های چندمنظوره شهری با استفاده از سامانه‌های اطلاعات جغرافیایی (مطالعه موردی: منطقه یک شهرداری تهران)، فصلنامه پدافند غیرعامل، سال7، شماره4 ، 1395.
  2. A. Singh, “Digital Change Detection Techniques using Remotely Sensed Data,” International Journal of Remote Sensing, vol. 10, pp. 989–1003, 1989
  3. R. S. Lunetta, D. Johnson, J. G. Lyon, and J. Crotwell, “Impacts of Imagery Temporal Frequency on Land-Cover Change Detection Monitoring,” Remote Sensing of Environment, vol. 89, pp. 444–454, 2004.
  4. N. C. Coops, M. A. Wulder, and J. C. White, “Identifying and Describing Forest Disturbance and Spatial Pattern. Understanding Forest Disturbance and Spatial Pattern,” CRC Press, pp. 31–61, 2006.
  5. H. Sui, Q. Zhou, and J. Gong, “Processing of Multi-Temporal Data and Change Detection,” Advances in Photogrammetry, Remote Sensing and Spatial Information Sciences: ISPRS Congress Book, Taylor & Francis, Nottingham, pp. 227–247, 2008.
  6. D. H. A. Al-Khudhairy, I. Caravaggi, and S. Giad, “Structural Damage Assessments from Ikonos Data using Change Detection, Object-Oriented Segmentation, and Classification Techniques,” Photogrammetric Engineering & Remote Sensing, vol. 71, pp. 825–837, 2005.
  7. D. Lu, P. Mausel, E. Brondizio, and E. Moran, “Change Detection Techniques,” International Journal of Remote Sensing, vol. 25, pp. 2365–2401, 2004.
  8. G. Jianyaa, S. Haiganga, M. Guoruia, and Z. Qimingb, “A Review of Multi-Temporal Remote Sensing Data Change Detection Algorithms,” ISPRS Congress, Beijing, China, pp. 757–762, 2008.
  9. G. Chen, J. Hay, L. M. T. Carvalho, and M. A. Wulder, “Object-Based Change Detection,” International Journal of Remote Sensing, vol. 33, pp. 4434–4457, 2012.
  10. R. Pu, P. Gong, Y. Tian, X. Miao, R. I. Carruthers, and G. L. Anderson, “Using Classification and NDVI Differencing Methods for Monitoring Sparse Vegetation Coverage: a Case Study of Salt Cedar in Nevada,” USA. International Journal of Remote Sensing, vol. 29, pp. 3987–4011, 2008.
  11. P. L. Rosin, “Thresholding for Change Detection,” Computer Vision and Image Understanding, vol. 86, pp. 79–95, 2002.
  12. J. Richards and X. Jia, “Image Classification Methodologies Remote Sensing Digital Image Analysis,” Springer, Berlin Heidelberg, pp. 295–332, 2006.
  13. Y. Bazi, F. Melgani, and H. Al-Sharari, “Unsupervised Change Detection in Multi-Spectral Remotely Sensed Imagery with Level Set Methods,” IEEE Transactions on Geoscience and Remote Sensing, vol. 48, pp. 3178-3187, 2010.
  14. A. Tewkesbury, “A critical synthesis of remotely sensed optical image change detection techniques,” Remote Sensing of Environment, vol. 160, pp. 1-14, 2015.
  15. N. Son, “Mangrove Mapping and Change Detection in Ca Mau Peninsula using Landsat Data and Object-Based Image Analysis,” IEEE Journal on Selected Topics in Applied Earth Observations and Remote Sensing, vol. 8, no. 2, pp. 503-510, 2015.
  16. E. Symeonakis, N. Karathanasis, S. Koukoulas, and G. Panagopoulos, “Monitoring Sensitivity to Land Degradation and Desertification with the Environmentally Sensitive Area Index: The Case of Lesvos Island,” Land Degradation and Development, vol. 27, pp. 1562-1573, 2016.
  17. V. Sadeghi, “Automatic Change Detection in Satellite Multi Temporal Images by Threshold Optimization Algorithm Based on Particle Mass,” Iranian Journal of Remote Sensing & GIS, vol. 28, pp. 681-684, 2014.
آمار
تعداد مشاهده مقاله: 1,868
تعداد دریافت فایل اصل مقاله: 1,020