بررسی کارایی شبکه یادگیری عمیق در شناسایی تغییرات اراضی با استفاده از تصاویر دو زمانه لندست-8
محورهای موضوعی : برنامه های کاربردی در تغییرات آب و هوایی زمین
سهند طاهرمنش
1
(
دانشجوی کارشناسی ارشد سنجش از دور ، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، ایران
)
بهنام اصغری بیرامی
2
(
دانشجو دکترا سنجش از دور و فتو گرامتری
)
مهدی مختارزاده
3
(
دانشیار دانشگاه خواجه نصیر الدین طوسی
)
کلید واژه: جنگل تصادفی, شبکه عصبی مصنوعی, شبکه عصبی کانولوشن, یادگیری عمیق, پایش تغییرات,
چکیده مقاله :
علم سنجش‌ازدور با به‌کارگیری تصاویر چند زمانه ماهواره‌ای، امکان پایش تغییرات در فواصل زمانی مختلف را فراهم کرده است. رویکرد پیکسل مبنا در شناسایی تغییرات توانایی ارائه دقت بالا را ندارد و ازاین‌رو باید ویژگی‌های مکانی در کنار ویژگی‌های طیفی بکار روند. استفاده از روش‌های سنتی تولید ویژگی مکانی مانند ماتریس هم رخداد با چالش‌هایی روبه‌رو است. تولید این ویژگی‌ها علاوه بر اینکه وابسته به انتخاب کاربر است، به‌صورت ناخواسته باعث افزایش فضای ویژگی می‌گردد. تمرکز اصلی مقاله حاضر در به‌کارگیری ویژگی‌های طیفی-مکانی در راستای حل محدودیت روش‌های سنتی در شناسایی تغییرات می‌باشد. در این تحقیق، ویژگی‌های طیفی-مکانی توسط خود شبکه یادگیری عمیق پیشنهادی استخراج شده و در طبقه‌بندی بکار گرفته‌شده‌اند. تصاویر لندست-8، ورودی شبکه بوده و فرایند استخراج ویژگی به‌صورت سلسله مراتبی صورت گرفته است. بر اساس ویژگی‌های طیفی-مکانی عمیق تولیدی از لایه‌های شبکه، خروجی شبکه تصاویر طبقه‌بندی‌شده‌ی قبل و بعد می‌باشد. درنهایت، بر اساس رویکرد پساطبقه‌بندی نقشه تغییرات حاصل می‌گردد. از شبکه پیشنهادی جهت ارزیابی تغییرات شهر سهند با استفاده از تصاویر سنجنده لندست-8 در بین سال‌های 2013 تا 2021 استفاده شده است. برای اثبات قابلیت شبکه پیشنهادی در به‌کارگیری ویژگی و طبقه‌بندی دقیق تصاویر، نتایج حاصل‌شده با نتایج روش‌های جنگل تصادفی و شبکه عصبی مصنوعی مقایسه شده است. نتایج شناسایی تغییرات نشان داد که به‌کارگیری شبکه یادگیری عمیق پیشنهادی دقت کلی شناسایی تغییرات باینری را به ترتیب به میزان 88/13% و 80/12% نسبت به شبکه عصبی مصنوعی و جنگل تصادفی افزایش می‌دهد. همچنین به‌کارگیری شبکه پیشنهادی دقت کلی نقشه ماهیت تغییرات را به ترتیب به میزان 81/57% و7/65% در مقایسه با جنگل تصادفی و شبکه عصبی مصنوعی افزایش داده است. روش‌های جنگل تصادفی و شبکه عصبی مصنوعی علیرغم اینکه توانسته‌اند محل تغییرات را شناسایی کنند اما در ارائه نوع ماهیت تغییرات عملکرد نامناسبی ارائه کرده‌اند.
Satellite remote sensing images are widely used to monitor the earth's surface phenomena changes at various periods. For accurate change detection, spatial features can be used as the complement information of spectral features. Hand-craft spatial features such as the co-occurrence matrix features are inefficient in detecting the changes due to the complex structure of satellite images. In the present study, a deep learning-based model is proposed as the alternative to address the problems of classical change detection methods. deep neural networks are mainly developed for images and hierarchically extracting spatial-spectral features. In this study, Landsat-8 images between 2013 and 2021 were used to evaluate the changes in Sahand city using the proposed deep network. Pre- and post-classified Landsat-8 images are produced using a deep neural network in the first stage. In the second stage, for producing the change maps, the post-classification approach is used in that change maps are produced based deference of classified images. Finally, the majority voting technique eliminates the noises in change maps. The proposed method results are compared with those obtained by two classical machine learning methods, random forest, and artificial neural networks. According to the change detection results, the proposed deep learning network improves detection accuracy by 13.88% and 12.80% compared with artificial neural networks and random forests. Compared to the random forest and artificial neural networks, the proposed network has improved the overall accuracy of the from-to-change maps by 57.81% and 65.7%, respectively. Final results demonstrate that although Random forest and artificial neural networks have been able to identify the location of changes, they perform poorly in detecting the from-to changes
_||_
