مرضیه سهرابی مفرد

طرح مسئله: رشد جمعیت شهری و توسعه فیزیکی مداوم شهرها باعث تغییر پوشش طبیعی زمین می شود و آن را به پوشش مصنوعی و سطوح نفوذناپذیر تبدیل می کند. افزایش چشمگیر این سطوح به پیامدهای منفی در بسیاری از حوزه ها می انجامد؛ ازجمله افزایش رواناب سطحی و خطر سیل، کاهش میزان تغذیه آب های زیرزمینی و تشدید اثر جزیره گرمایی. به این دلایل برآورد دقیق و پایش روند تغییرات این محدوده ها ضروری است. در این زمینه داده های سنجش از دور، یک راه حل مقرون به صرفه برای تهیه سطوح نفوذناپذیر و نظارت بر آنهاست. هدف: هدف پژوهش حاضر، شناسایی سطوح نفوذناپذیر شهری با استفاده از تصاویر راداری است. روش: در پژوهش پیش رو ویژگی های بافتی ماتریس هم رخداد سطوح خاکستری (GLCM) با استفاده از روش های طبقه بندی حداکثر احتمال، شبکه عصبی مصنوعی و ماشین بردار پشتیبان روی تصویر راداری Sentinel-1 برای تعیین سطوح نفوذناپذیر شهر بندرعباس ارزیابی می شود. نتایج: به منظور بررسی صحت پردازش های انجام شده با روش های به کاررفته، از روش های برآورد دقت کل و ضریب کاپا استفاده شد. صحت کلی 0/97، 14/98 و 40/98درصد و ضریب کاپا 95/0، 97/0 و 97/0 به ترتیب برای طبقه بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان به دست آمد که نشان دهنده مناسب بودن روش های استفاده شده برای آشکارسازی سطوح نفوذناپذیر شهری است. نوآوری: برای استخراج اطلاعات سطوح شهری بیشتر از الگوریتم های طبقه بندی متداول ویژگی های طیفی بهره برده می شود. این مسئله باعث می شود حجم زیادی از اطلاعات فضایی مفید مانند بافت در طبقه بندی تصاویر نادیده گرفته شود. با توجه به اینکه تصاویر SAR به مشخصات هندسی سطوح شهری حساس اند، می توان با استفاده از ویژگی های بافتی تصاویر راداری، سطوح نفوذناپذیر شهری را با دقت مناسبی آشکارسازی کرد که تاکنون کمتر به آن توجه شده است.

سطوح نفوذناپذیر عامل مهمی در نظارت بر توسعه شهری و کیفیت محیط زیست است. به همین دلیل، شناخت این سطوح پیش شرطی برای رسیدن به توسعه پایدار شهری خواهد بود. هر چند روش های گوناگونی برای تشخیص و مطالعه این سطوح وجود دارد ولی تعیین دقیق و مقرون به صرفه این سطوح، هنوز یک چالش مهم برای پژوهشگران شهری است. با توجه به افزایش دسترسی به داده های سنجش از دور، در این پژوهش با استفاده از تصویر سنجنده GeoEye سال 2009، دقت روش های سه گانه طبقه بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان را در تعیین سطوح نفوذناپذیر در بخشی از شهر بندرعباس بررسی و مقایسه شده است. به این منظور، بعد از انجام عملیات پیش پردازش های لازم بر روی تصویر، با استفاده از آلگوریتم های مورد اشاره، پنج کلاس خیابان و ساختمان (به عنوان سطوح نفوذناپذیر)، بدنه آبی، پوشش گیاهی و زمین بایر (به عنوان سطوح نفوذپذیر شهری) برای هر سه روش، استخراج شدند. برای ارزیابی نتایج، روش های دقت کلی، ضریب کاپا، دقت کاربر و تولیدکننده  مورد استفاده قرار گرفت. نتایج نشان داد که روش ماشین بردار پشتیبان با دقت کلی7/94 درصد و ضریب کاپا 93/0، نسبت به روش شبکه عصبی مصنوعی (با دقت صحت کلی 1/93 درصد و ضریب کاپا 90/0) و روش بیشترین شباهت (با دقت صحت کلی 2/92 درصد و ضریب کاپا 89/0)، دارای دقت بهتری است. مطالعه حاضر هرچند نشان داد که روش ماشین بردار پشتیبان دارای صحت بالاتری بود اما با این وجود، دقت روش های بیشترین شباهت و شبکه عصبی مصنوعی نیز در تعیین سطوح نفوذناپذیر، مناسب و قابل قبول بوده و پردازش تصاویر با قدرت تفکیک مکانی بالا با این روش ها،  می تواند سطوح نفوذناپذیر را تشخیص دهد.