NSMA( هدش لامرن طولخم فیط لیلحت و هیزجت دربراک€¦ · 1- Thematic Map 2- Enhanced Thematic Mapper Plus 3- Operational Land Imager .دنک یریگهزادنا

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

سیروس هاشمی2 بهرام جمعه زاده1 مجید کیاورز4 علی درویشی بلورانی3

تاریخ دریافت مقاله: 94/07/02 تاریخ پذیرش مقاله: 94/09/02

*********چکیده

اسـتفاده از تصاویـر ماهـواره ای بـا قـدرت تفکیک مکانی متوسـط بـه منظور شناسـایی، نظـارت و پیش بینی مناطق سـاخته شـده شـهری در دهه هـای اخیر توسـعه یافته اسـت. مهم تریـن گام در پیش بینی رشـد مناطق شـهری، اسـتخراج ویژگی های سـطح شـهر بـا دقـت و صحت بـاال و مهم ترین چالـش در این راه پیچید گی عوارض شـهری و مسـئله پیکسـل های مخلوط اسـت. هـدف از ایـن تحقیـق اسـتفاده از مدل هـای تجزیـه و تحلیـل زیر پیکسـل، برای اسـتخراج عوارض سـطحی شـهر رشـت بـه منظـور پیش بینـی بـرای تغییـرات رشـد آتی این شـهر اسـت. بدیـن منظـور از سـه تصویر لندسـت مربـوط به سـال های؛ 1990 )سـنجنده TM(، 2002 )سـنجنده +ETM( و2015 )سـنجنده OLI/TIRS( و روش تجزیـه و تحلیـل طیف مخلـوط نرمـال شـده )NSMA(، بـرای اسـتخراج عـوارض سـطحی اسـتفاده شـد. برای طبقـه بنـدی تصاویـر از الیه های کسـری پوشـش بـه عنـوان الیه هـای ورودی و عضوهای پایانـی به عنـوان نمونه های آموزشـی و الگوریتم حداکثـر احتمال بـه عنـوان الگوریتـم طبقه بندی کننده اسـتفاده شـد؛ که در نتیجه صحـت کلی بـاالی 99% و ضریب کاپای بـاالی 0/98 برای تصاویـر سـه دوره بدسـت آمـد. بـه منظور پیش بینی رشـد شـهری با شـبکه عصبـی در این تحقیـق از مدل پرسـپترون چند الیه)MLP(بـا الگوریتـم یادگیـری پـس انتشـار )BP( اسـتفاده شـد. نتایـج مقایسـه خروجی مدل با نقشـه طبقه بندی سـال 2015 ، ضریـب کاپـای 92%،کاپـای اسـتاندارد 89% و کاپـای طبقـه ای )بـرای طبقه سـاخته شـده( 93%، را نشـان داد. مدل اسـتفاده شـده در ایـن تحقیـق در پیـش بینی رشـد مرزهای شـهر موفق عمـل کرده اسـت، امـا در پیش بینی مناطق سـاخته

شـده انفرادی اطراف شـهر صحت کمتـری دارد.

واژه هـای کلیـدی: تجزیـه و تحلیل زیر پیکسـل، تجزیـه و تحلیل طیف مخلـوط نرمال شـده )NSMA(، پیش بینی رشد شهری، پرسـپترون چندالیه.

*********

[email protected]تهراندانشگاهجغرافیایدانشکدهجغرافیاییاطالعاتسیستمودورازسنجشارشدکارشناسیدانشجوی-1 [email protected]تهراندانشگاهجغرافیایدانشکدهجغرافیاییاطالعاتسیستمودورازسنجشارشدکارشناسیدانشجوی2-

[email protected]تهراندانشگاهجغرافیایدانشکدهجغرافیاییاطالعاتسیستمودورازسنجشگروهاستادیار[email protected]تهراندانشگاهجغرافیایدانشکدهجغرافیاییاطالعاتسیستمودورازسنجشگروهاستادیار4-

فصلنامه علمی - پژوهشي اطالعات جغرافيايي ) ( دوره24، شماره 96، زمستان 94 Scientific - Research Quarterly of Geographical Data (SEPEHR) Vo.24,No.96, Winter 2016 / 66

مقدمهبارشـدسـریعشـهرهادرسـالهایاخیر،درکترکیبیوفیزیکـیمحیـطشـهریوپویایـیآنبـهیـکموضـوعمهـمتبدیـلشـدهاسـتوتکنیکهـایدرحـالتوسـعهبینـیرشـد پیـش و شبیهسـازی بـرای پویـا مدلسـازیشـهریوتغییـراتآینـدهچشـماندازدرحـوزهپژوهشـیسـنجشازدورشـهریفعالشدهاسـت.اگرچهفنآوریسـنجشازدوربـهطـوربالقـوهخـودراعلمـیبـرایبررسـیترکیباتشـهریونظارتبرتغییـراتآندرزمانمعرفـیکـردهاسـت )وو، 2004(،بـااینحالاسـتخراجمعنیدارمعیارهـایکّمـیبـرایتوصیفپوشـشزمینشـهریبهعنـوانیـکچالـشدربرنامههـایکاربـردیسـنجشازدورباقیمانـدهاسـت،چراکهمناطقشـهریچشـماندازپیچیدهایازسـازههایسـاختهشـدهوپوشـشزمینتغییریافتهتوسط

انسـانمیباشـند )یانـگ، 2011ص 122(.دردرونیـکمنطقـهشـهری،تجزیـهوتحلیـلتصویربـهدلیـلتنـوعطیفـیومکانـیبـاالیموادسـاختهشـدهکـهمنجـربـهتعـدادزیـادیاز»پیکسـلهایمخلـوط1«درمقیاسهـایفضایـیمختلـفشـدهوروشهـایسـنتیطبقهبنـدیرامحـدودمیسـازد،مشـکلاسـت)فرانکـی و همـکاران، 2009؛ مین تواوکین، 2009؛ وو، 2009(.مشـکلپیکسـل

مخلـوطرامیتـوانبـاتوصیـفچشـماندازبـامتغیرهـایپیوسـتهبهجـایاختصاصکالسهـایگسسـته، )ونگ ولو، 2009(ویـامدلسـازیهـرپیکسـلبـهعنـواندرصدیاز

پوشـشمصالـحسـاختمانیپوشـشزمینشـهری )هانسـن، و همـکاران، 2002(،بـرایبدسـتآوردنجزئیـاتبیشـتراز

حداقـلرزولوشـنپیکسـل،اعمـالکـرد.یـکچارچوبمفهومـیبـرایتجزیـهوتحلیـلچشـمانـدازهایشـهریمـدل VISاسـت )رایـد، 1995(،کـهچشـماندازشـهریرابـهعنـوانترکیبـیازسـهاجـزایاساسـی،عالوهبـرآب:پوشـشگیاهـی)V(،سـطوحغیرقابـلنفـوذ)I(،وخـاکلخـت)S(تجزیـهمیکنـد.تجزیـهوتحلیلطیـفمخلوط

1- Mixed pixels

SMA(2(یـکتکنیـکبـرایبدسـتآوردنفراوانـیزیـر

پیکسـلازهـریـکازاجـزایپوشـشزمیـن،درنتیجـهتوصیـفچشـماندازشـهریبـهعنوانسـطوحپیوسـتهاز SMAروشدراسـت )پاولوهمـکاران، 2007(.V-I-Sاجـزایفـرضبـرایـناسـتکـه)الف(یـکچشـماندازمدلـیمخلـوطازچنـداجـزایاصلـیطیفی)عضوپایانـی3(،میازپیکسـلها اندازهگیـریهـریـک نتایـج باشـدو)ب(رامیتـوانبـهعنـوانیـکمـدلخطـیترکیبـیازطیـفعضوهـایپایانـی،درنظـرگرفـت )رابرتـز و همـکاران 1998؛ مـدل از اسـتفاده بـا .)2007 وهمـکاران، پـاول 2005؛ سـونگ،

کمیـت تعییـن بـرای بعـدی تحقیقـات ،V-I-S مفهومـیتوزیـعپوشـشگیاهـی،سـطحغیرقابـلنفـوذ،وخاکدرمحیطهـایشـهری،ازجملـهجـی4وجنسـن5)1999(ووو،مـوری6)2003(بـرایارزیابـیدرصـدنفوذناپذیـریسـطوحشـهری،اسـمال7)2002(برایاسـتخراجپوششگیاهـیوگورشـمن8وهمـکاران)2015(برایاسـتخراجاز اسـتفاده انجـامشـدهاسـت.همچنیـن کسـریخـاکمـدلV-I-Sدربهبـودطبقهبنـدیکاربـری/پوشـشزمینشـهری،بررسـیشـدهاسـت.راشـد9وهمـکاران)2001(ترکیـبشـهریقاهـره،رابهعنوانپوشـشگیاهی،سـطحغیـرقابـلنفـوذ،خـاک،وسـایهتوصیـفکردنـدونتیجتابـااعمـالطبقهبنـدی،جزئیـاتترکیبشـهریرابدسـت V-I-Sکسـرتصاویر)2002(همـکارانوفینن10آوردنـد.بـااسـتفادهازروشSMA بـاعضوهـایپایانـیانتخـابشـدهازعکسهـایهوایـیدرجنـوبشـرقیکوئینزلنـد،اسـترالیا،تولیـدکردندوپیشـنهادکردندکهمدلبراسـاسV-I-Sبهتـرازطبقهبندیسـنتیبرپایهپیکسـلانجامشـده

2- Spectral mixture analysis

3- endmember

4- Ji

5- Jensen

6- Murray

7- Small

8- Guerschman

9- Rashed

10- Phinn

فصلنامه علمی - پژوهشي اطالعات جغرافيايي ) ( کاربرد تجزیه و تحلیل طیف مخلوط نرمال شده ... / 67

اسـت.لووونگ)2004(پوشـشگیاهیسبزسطحغیرقابلنفـوذ/خـاک،وسـایهبـرایتوصیفشـهری/روسـتاییمحیـطاسـتفادهکردنـدونشـاندادنـدکـهمـدلV-I-Sبهطـورقابـلتوجهـیمیتوانـدبـهبهبـوددقـتوصحـتشـود. منتـج شـهری، زمیـن کاربری/پوشـش طبقهبنـدییکـیازکاربردهـایاسـتخراجویژگـیهایمناطقشـهریپیـشبینـیبـرایتغییـراتآتـیاسـت.تغییـراتکاربـریاراضـیوگسـترششـهریدرنتیجهتعامـلپیچیدهعواملبسـیاریازجملـهسیاسـت،مدیریـت،اقتصـاد،فرهنـگ،رفتـارانسـانومحیـطزیسـتبوجـودمیآید )پیجانوفسـکی

و همـکاران 2002(.

بـاتوجـهبـهپیچیدگـیدینامیکفرآیندرشـدشـهری،تعریـفیـکمدلریاضـیبـرایتوصیفچنیـنفرآیندیبسـیاردشـواراسـت.ازایـنرومدلسـازیرشـدشـهریدرطـولدودهـهگذشـتهتوسـعهیافتـهاسـتومدلهایزیـادیبـااسـتفادهازابـزارهوشمصنوعیشـامل،شـبکهوسـلولهای فـازی1 منطـق )NA(،سیسـتمهای عصبـیخودکار2درشبیهسـازیرشـدشـهری،توسـعهیافتهاست.برخـالفبسـیاریازتکنیکهایمدلسـازیچنـدمتغیره،شـبکههایعصبـیمصنوعـیازروابـطدادههـایورودیمسـتقلهسـتندوبنابرایـنبـینیـازازهرگونـهفرضیـاتمربـوطبههمبسـتگیمکانـیوچندخطیازدادههااسـت )تریانتـا و همـکاران، 2015(.شـبکهعصبـیمصنوعـیمتشـکل

ازیـکشـبکهمتصـلازواحدهـایپردازشـیاسـتکهبااساسـیترینخـواصنـوروندرمغـزانسـانمـدلشـدهاسـت.یکـیازمزایـایاصلـیآنایـناسـتکـهمسـتقلازفـرضتوزیـعآمـاریاسـت.شـبکههایعصبـیبهطورغیرخطـیهسـتندومیتواننـدبـهعنـوانیکتابـعپیچیدهریاضـی،دادههـایورودیرابـهخروجـیموردنظرتبدیـلعصبـی شـبکه از اسـتفاده .)2003 سـویپاک، و )کارل کننـددهـه دو در ماهـوارهای تصاویـر پـردازش در مصنوعـی

1- Fuzzy logic

2- Cellular automata

اخیـرافزایـشپیداکردهاسـت.ازجملهاسـتفادهازشـبکهعصبـیدرطبقهبنـدیتصاویـروپیـداکـردنالگوهـادرتصاویـرماهـوارهای)سیرسـان و همـکاران 2012؛ کریژوسـکی و همـکاران، 2012(،اسـتفادهازشـبکهعصبـیبـرایبازسـازی

وپیشبینـیتغییـراتکاربـریاراضـی)وانـگ و همـکاران، 2015؛ قـوش و همـکاران، 2014(واسـتفادهازشـبکهعصبیدر

پیشبینـیرشـدشـهریماننـد:طیبـیوهمـکاران)2011(بـرایپیشبینیرشـدمرزهایشـهرتهـران،پیجانوفسـکیشـهرهای رشـد پیشبینـی بـرای )2014( همـکاران وتریانتاکونسـتانتیسو ایـاالتمتحـدهدرمقیـاسملـیواسـتانتاکیس)2015(بـرایپیشبینـیرشـدشـهرآتن،کهنتایـجآنهـانشـاندادکـهمدلهایشـبکهعصبیتوانسـتهانـدبـهخوبـیپیچیدگیهـایرشـدمناطقشـهریرامدلنماینـدوبـرصحـتاعتبارسـنجیایـنمدلهانیـزروزبهروزافـزودهشـدهاسـت.هـدفازایـنتحقیـقاسـتخراجکاربـری/پوشـشزمیـنشـهررشـتبـااسـتفادهازمـدلطیـفمخلوطنرمالشـده)NSMA(،وسـپسمدلکردنرشـدشـهررشـتوپیشبینـیرشـدآتـیبـااسـتفادهاز

شـبکهعصبیاسـت.

منطقه مورد مطالعهنسـبت لحـاظ بـه ایـران شـهر فشـردهترین رشـتجمعیـتبـهوسـعتاسـت.آبوهـوایرشـتازجملـهآبوهـوایمعتـدلکاسـپینوشـبهمدیترانهایاسـتکهدارایتابسـتانهایگـرموشـرجیوزمسـتانهایسـردومرطوباسـت.ارتفاعاینشـهرازسـطحدریا5متراسـت.شـهر ایـن گردشـگری و ارتباطـی طبیعـی، ویژگیهـایموجـبافزایـشجمعیـتوتوسـعهفیزیکـیایـنشـهر

است. شـدهمنطقـهیمـوردمطالعـهدرایـنتحقیـقمحـدودهمـرزشـهررشـتباحومهاطـرافآناسـت.موقعیـتمنطقهیموردمطالعهدراسـتانگیالنوشهرسـتانرشـتدرنگاره

)1(نمایشدادهشـدهاسـت.


داده های مورد استفادهلندسـت5 ماهـوارهای تصاویـر از تحقیـق ایـن درسـنجندهنقشـهبردارموضوعیTM(1(،لندسـت7سـنجندهنقشـهبـردارموضوعیارتقـایافته2)+اETM(ولندسـت8سـنجندهتصویربـردارعملیاتـیزمیـن3OLI((،بـهترتیـباسـتخراج بـرای 2015 و 2002 ،1990 سـالهای بـرایویژگیهـایسـطحزمیـنونقشـهکاربـریاراضـیمنطقهنقشـه جانبـی دادههـای از گرفتهانـد. اسـتفاده مـوردتوپوگرافـی،نقشـهرقومـیارتفاعی،نقشـهراههـایمنطقهنیـزبـرایتصحیـحهندسـیتصاویـروهمچنیـنورودی

شـبکهعصبـیاسـتفادهشـد.

)SMA( تجزیه و تحلیل طیف مخلوطعماًلدرهرمحیطشـهری،سـیگنالثبتشـدهتوسـطیـکسـنجندهشـاملبازتـابازچنـدنـوعپوشـشزمیناسـت.پاسـخثبتشـدهتوسـطسـنجندهبرایهرپیکسل،وزنـیازمجمـوعطیـفخالصازهـرمادهدرمیـداندید

لحظهای)IFOV(پیکسـلاسـت.هـدفSMAایـناسـتکـهسـهمنسـبیهـریـکاز

1- Thematic Map

2- Enhanced Thematic Mapper Plus

3- Operational Land Imager

عضوهـایپایانـیراازطیفیـکپیکسـلاندازهگیریکند.خروجـیSMAمجموعـهایازتصاویـرکهنشـاندهندهیکسـریازهـرعضوپایانی،بـاارزشبینصفـرو1)صفرنشـاندهنـده»عـدموجـود«و1نمایندگیپوشـش%100(

میباشـد.بـراییـکپیکسـل،توصیـفریاضـیSMAبهشـرحرابطـهزیـراسـت)آدامز و همـکاران، 1986؛ اسـمیت و همـکاران،

1990؛ رابرتـز و همـکاران، 1999(:

رابطه)1(

کـهدرآنDNi مقـداراندازهگیـریشـدهازیـکپیکسـلIFOVدرموجـودJپایانـیعضـوازکسـری Fj ا ،iبانـددرپیکسـل،DNi,jارزشJعضـوپایانـیدربانـدi، وeiباقیماندهیـاتفـاوتبیـنارزشمشـاهدهشـدهومدلسـازیشـدهبـرایبانـدi،اN تعـدادباندهـاوK عضوهـایپایانیموجود

درمجموعـهدادهدرمـدلمخلـوطمیباشـد.مـدلمخلـوطمحدودیـتزیـرراداردکهمجموعکسـریعضـوپایانیهـابـرایهـرپیکسـلباید1باشـد)یـا%100

پوشـش(رابطه)2(.

نشان (صفر 1و صفر نيب با ارزش ،يانيعضو پا هر از يكسر يدهنده نشان ر كهيتصاو از يامجموعه SMAيخروج باشد. ي%) م100پوشش يندگينما 1دهنده(عدم وجود)و

؛1990ان، همكار و تياسم ؛1986همكاران، و است (آدامز ريزرابطه شرح بهSMA ياضير فيتوص كسل،يپ كي يبرا ):1999همكاران، و رابرتز

) 1رابطه (

كسل،يپ IFOV در موجود Jيانيپا عضو از يكسر i،Fjباند در كسليپ كي از شده يريگاندازه مقدار DNi آن در كهDNi,j ارزش J درباند يانيعضو پاiو،eiبانديشدهبرا ينارزشمشاهدهشدهومدلسازياتفاوتبيماندهيباقi ،N تعدادكه مجموع ر را دارديت زيمدل مخلوط محدود باشد. يموجود درمجموعهداده درمدل مخلوط م يانيپا يهاعضوK،وباندها .)2رابطه ( پوشش)٪100ا يباشد ( 1ديكسلبايهرپيها برايانيعضو پايكسر

) 2رابطه (

:))3(رابطه ( ها استرتمامباندماندهدينباقيانگيكسلبهطورموثرميكسلبهپيپRMSيخطا

) 3رابطه (

ك ي يهافيك كردن طينزد يبرا، وجو داردنخالصيپوششزميهافيطيبراييدرروشنايتنوعقابلتوجهنكهيبا در نظر گرفتن ا-ن تمام بانديانگيابتدا من روش ي) استفاده شد.در ا2004وو ( يشنهاديپ NSMAن مقاله از روشيدر اپوشش خاص به هم،

ك ماده مشخص كم ي يهافيدر ط ييشوند تا تفاوت روشنا يم مين تقسيانگيها محاسبه شده و سپس تك تك باندها بر م شوند: ينرمال م 5و 4 يطه هايركسل با توجه به يپ يهاشود.ارزش

) 4رابطه (

) 5رابطه (

كهدرآنbRباندشده بازتابنرمالb؛كسليدرپbRبانديبرايبازتاباصلb؛μ ن يبازتاببرامتوسطĤو؛كسليپNيها مباند كلتعداد

شود: ير محاسبه مياز روش ز NSMA،يسازباشد. پس از نرمال

) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

رابطه)2(

)الف(

)ب(

)ج(

نگاره 1: موقعیت محدوده مورد مطالعه در الف- ایران، ب-گیالن و ج- شهرستان رشت

∑


خطـایRMSپیکسـلبهپیکسـلبهطورمؤثـرمیانگینباقیمانـدهدرتمامباندهااسـت)رابطه)3((:



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

رابطه)3(

بـادرنظـرگرفتـناینکـهتنوعقابـلتوجهیدرروشـناییبـرایطیفهـایپوشـشزمیـنخالـصوجـوّدارد،بـراینزدیـککـردنطیفهاییکپوشـشخـاصبههـم،دراینمقالهازروشNSMAپیشـنهادیوو)2004(اسـتفادهشـد.دراینروشابتدامیانگینتمامباندهامحاسـبهشـدهوسپستکتکباندهابرمیانگینتقسـیممیشـوندتاتفاوتروشـناییدرطیفهاییکمادهمشـخصکمشـود.ارزشهایپیکسـلبا

توجـهبـهرابطههـای4و5نرمالمیشـوند:



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

رابطه)4(



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

رابطه)5(

بازتـابنرمـالشـدهباندbدرپیکسـل؛



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

کـهدرآن

متوسـطبازتـاببرای



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

بازتـاباصلـیبـرایباندb؛



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

از پـس میباشـد. باندهـا کل تعـداد N و پیکسـل؛ آنمیشـود: محاسـبه زیـر ازروش NSMA،سـازینرمال



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

رابطه)6(



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0 رابطه)7(

بازتـابنرمالشـدههرپیکسـلدر



) 1رابطه (


) 2رابطه (


) 3رابطه (



) 4رابطه (

) 5رابطه (



) 6رابطه (

) 7رابطه (

K

i j i,j ij=1

DN = F .DN + e

K

jj=1

F = 1

N2

ii=1

eRMSE =

N

N

bb=1

1μ = RN

bb

RR = ×100μ

N

b i i,b bi=1

R = f R +e

N

ii=1

f =1 and fi³0

دررابطـه)6(بانـدi، وRi,bبازتـابنرمـالشـدهازعضوپایانـیiدرباندeباقیمانده

bبـرایآنپیکسـل،fiکسـرعضوپایانـیiوbااسـت.رونـدکلیایـنپژوهـشدرنـگاره)2(نشـانداده

شـدهاست.

پیش بینی گسترش شهر با شبکه عصبی پرسپترون چند )MLP( 1الیه

الگوریتـم یـک از اسـتفاده بـا پرسـپترونچنـدالیـهاسـتفادهترین پـر از یکـی )BP(انتشـار پـس یادگیـریMLPمعمولیشـبکهیـکاسـت.عصبـیشـبکههـایمدل

1- Multi - Layer Percetron

نگاره 2: فرایند انجام پژوهش


شـاملیـکالیـهورودی،یکالیـهخروجیویـکیاچندMLPازطریـقتجزیـهوتحلیـل پنهـانمیباشـد. الیـهرگرسـیونناپارامتـریبیـنمتغیرهـایورودیویکمتغیروابسـتهباخروجیحـاوییکنورونخروجـی،پیشبینیانجـاممیدهـد)هسـیه2009(.عملکردMLPبـرایانجاماصـالحوتغییـروزنهـایمرتبـطباهـرنورون،شـاملدومرحلـهعمـدهاسـت:انتشـارروبـهجلـووانتشـارروبـهعقـب.درطـولآمـوزش،هرنمونـهالیـهورودیراتغذیهمیکنـدوگـرهدریافتکننـدهسـیگنالهایوزندارشـدهازتمامگرههـایمتصـلبـهآندرالیـهپیشـینراجمـعمیکنـد.بـهعبـارتدیگـر،ورودیایکـهیـکتـکگـرهدریافـتمیکنـدبـاتوجـهبـهرابطـه)8(وزندارمیشـود:

:شود

) 8رابطه (

كهدرآنi jWنگرهينشاندهندهوزنبiوگرهjو باشد يمiOگرهيخروجiكگره مانند ييباشد. خروجيمj يبهدستم)9(ازرابطهĤد:ي

) 9رابطه (

انتقال يهبعديگنالبهالينكهسيها،قبالزايدارورودمجموعوزنياستكهبررويديگموئيسيرخطيكتابعغيمعموال)9در رابطه (fتابعتيبافعاليخروجيهاگرهيهاتيرسد،فعاليانميكهانتشارروبهجلوبهپايشود. هنگاميابد،اعمالمي

- ك پرسپترون چنديق از ين تحقيدر اككالسمتناظراست. يبايهخروجيهرگرهدرالشود.يسهميموردانتظارآنهامقايها

مناطق ساخته شده، فاصله از جاده، فاصله ب، فاصله از ي؛ ارتفاع، شيورود يه هاي) و الBPپسانتشار (يريادگيتميهباالگوريالو مرحله است ابتدا استخراج ند انجام پژوهش شامل ديفرااستفاده شد.ساختهشده يربهاراضييهحداكثراحتمالتغيو الاز آبراهه

ند انجام يفراباشد. يم يبا شبكه عصب يمناطق شهر رشد ينيش بيسپس پو NSMAن با روش يسطح زم يهايژگيو .نشان داده شده است )2شكل (پژوهش در

ند انجام پژوهشيفرا) 2شكل (

m

j ij ii=1

net = W O

( )j jO f n e t

رابطه)8(

کـهدرآننشـاندهندهوزنبیـنگـرهiوگـرهjمیباشـدو jمانندگـرهیـکخروجـیباشـد.میiگـرهخروجـیOاi

ازرابطـه)9(بـهدسـتمیآید:

:شود

) 8رابطه (

كهدرآنi jWنگرهينشاندهندهوزنبiوگرهjو باشد يمiOگرهيخروجiكگره مانند ييباشد. خروجيمj يبهدستم)9(ازرابطهĤد:ي

) 9رابطه (

انتقال يهبعديگنالبهالينكهسيها،قبالزايدارورودمجموعوزنياستكهبررويديگموئيسيرخطيكتابعغيمعموال)9در رابطه (fتابعتيبافعاليخروجيهاگرهيهاتيرسد،فعاليانميكهانتشارروبهجلوبهپايشود. هنگاميابد،اعمالمي

- ك پرسپترون چنديق از ين تحقيدر اككالسمتناظراست. يبايهخروجيهرگرهدرالشود.يسهميموردانتظارآنهامقايها

مناطق ساخته شده، فاصله از جاده، فاصله ب، فاصله از ي؛ ارتفاع، شيورود يه هاي) و الBPپسانتشار (يريادگيتميهباالگوريالو مرحله است ابتدا استخراج ند انجام پژوهش شامل ديفرااستفاده شد.ساختهشده يربهاراضييهحداكثراحتمالتغيو الاز آبراهه

ند انجام يفراباشد. يم يبا شبكه عصب يمناطق شهر رشد ينيش بيسپس پو NSMAن با روش يسطح زم يهايژگيو .نشان داده شده است )2شكل (پژوهش در

ند انجام پژوهشيفرا) 2شكل (

m

j ij ii=1

net = W O

( )j jO f n e t رابطه)9(

غیرخطـی تابـع یـک معمـوالً )9( رابطـه در f تابـعسـیگموئیدیاسـتکهبررویمجمـوعوزندارورودیها،قبـلازایـنکهسـیگنالبـهالیهبعـدیانتقالیابـد،اعمالمیشـود.هنگامـیکهانتشـارروبـهجلوبهپایانمیرسـد،مـورد فعالیتهـای بـا خروجـی گرههـای فعالیتهـایانتظـارآنهـامقایسـهمیشـود.هرگـرهدرالیـهخروجیبا

یـککالسمتناظراسـت.درایـنتحقیـقازیکپرسـپترونچندالیهبـاالگوریتمیادگیـریپـسانتشـار)BP(والیههـایورودی؛ارتفـاع،شـیب،فاصلـهازمناطـقسـاختهشـده،فاصلـهازجـاده،فاصلـهازآبراهـهوالیـهحداکثـراحتمـالتغییربـهاراضیسـاختهشـدهاسـتفادهشـد.فرایندانجامپژوهششاملدومرحلـهاسـتابتـدااسـتخراجویژگیهـایسـطحزمیـنبا

روشNSMAوسـپسپیشبینـیرشـدمناطـقشـهریباشـبکهعصبـیمیباشـد.فراینـدانجـامپژوهـشدرنـگاره

)2(نشـاندادهشـدهاست.

بحث و نتایجیکـیازمشـکالتاسـتفادهازروشSMA،طیفهـایدلیـل بـه کـه اسـت زمیـن پوشـش بـاهرجـزء مرتبـطروشـناییمتفـاوت،تغییرمیکنند)نگاره3-الف(.سـطوحنفوذناپذیـربیشـترینتنوعروشـنایی،بـاطیفهایمختلفازبازتـابکـمگرفتـهماننـدآسـفالتتـابازتابهـایبـاالماننـدسـطوحفلـزیراشـاملمیشـوند.طیـفخـاکبـاتوجـهبـهترکیـبخـاک،انـدازهدانـهومیـزانرطوبـتتغییـرمیکنـد.طیـفآبنیـزبـهعلـتتفـاوتدرمیـزانآبمردابهـاوشـالیزارهامتفـاوتاسـت.طیفپوشـشو کلروفیـل مقـدار بـه توجـه بـا اسـت ممکـن گیاهـی

ویژگیهـایتـاجپوشـشتغییـرکنـد.بـانرمـالکـردنتصویـرهمانطـورکـهدرنـگاره)3-ب(مشـخصاسـت،تفـاوتدرطیفهـاییـکپوشـشخـاصبسـیارکمترشـدهاسـت.درنـگاره)4(،کسـرهایپوشـشزمیـنبدسـتآمـدهازتصاویـرنرمـالشـدهارائهشـدهاسـت.کسـرهایپوشـشزمیـنبـهصورتپیوسـتهویژگیهـایسـطحزمیـنبـراییـکپوشـشخـاصرانمایـشمیدهنـد.درهـرتصویردرصدوجودیکپوشـشخاصدرهرپیکسـلمشـخصشدهاسـت.برایمشخصکـردنیککالسخاصدرتصاویرکسـرپوشـشمیتوانازآسـتانهگذاریبـرویتصاویـراسـتفادهکـرد.همچنیـنمیتـوانایـنتصاویـرراطبقهبنـدینمـودهوکالسهـای

گسسـتهایجـادکرد.کالسهـایبوجودآمدهازتصاویرکسـرپوشـشزمینچنـدمزیـتدارند.ابتـداانتخابنمونههایآموزشـیبرایطبقهبنـدیازایـنتصاویـرآسـانتروبـادقـتبیشـتریانجـاممیشـود.همچنیـنکاهـشتصاویـرچنـدطیفیدرچنـدتصویـرکـههریـکبیانگـردرصدیازیکپوشـش


خـاصدرپیکسـلهسـتند،سـرعتودقـتالگوریتمهایطبقهبنـدیرابـاالمیبرنـد.

2015 سـال در منطقـه طبقهبنـدی نقشـه )5( نـگارهبـااسـتفادهازالیههـایکسـریپوشـشبـهعنـوانباندهـاوعضوهـایپایانـیبـهعنـواننمونههـایآموزشـیوبـا

میباشـد. احتمـال حداکثـر الگوریتـم

ایـنروشطبقهبنـدیازدقـتباالییبرخورداراسـت)جـدول1(وبرخـالفطبقهبنـدیبـرپایـهپیکسـل،کـهخـاکروشـنراجـزءطبقـهسـاختهشـدهقـرارمیدهـد،بـهخوبـیپوشـشخـاکراازاراضـیسـاختهشـدهجدا

میکنـد.بـرایبرسـیتغییـراتکاربـریزمینازروشمقایسـه

)الف) (ب(

0

50

100

150

200

250

300

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

دهل ش

رماب ن

ازتاب

)ميکرومتر(طول موج

ه د ش ه ت خ ا ستاريک

متوسط

روشن

0

0.2

0.4

0.6

0.8

1

1.2

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

اببازت


ه د ش ه ت خ ا ستاريک

متوسط

روشن

0

0.1

0.2

0.3

0.4

0.5

0.6

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

اببازت


ی ه ا ي گ وشش پ

تاريک

متوسط

روشن

0

50

100

150

200

250

300

350

400

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

شدهال

نرمب

زتايا


ی ه ا ي گ وشش پتاريکمتوسطروشن

0

0.1

0.2

0.3

0.4

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

اببازت


ک خاتاريک

متوسط

روشن

0

50

100

150

200

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

دهل ش

رماب ن

ازتاب


ک خاتاريک

متوسط

روشن

0

0.02

0.04

0.06

0.08

0.1

0.12

0.14

0.16

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

اببازت


آبتاريک

متوسط

روشن

0

50

100

150

200

250

0 . 4 4 3 0 . 4 8 2 6 0 . 5 6 1 3 0 . 6 5 4 6 0 . 8 6 4 6 1 . 6 0 9 2 . 2 0 1

دهل ش

رماب ن

ازتاب


آبتاريک

متوسط

روشن

نگاره 3: مقایسه طیف عضو های پا یانی )endmember(، )الف( قبل از نرمال کردن تصاویر، )ب( بعد از نرمال کردن تصاویر


پـسازطبقهبنـدیاسـتفادهشـد.طبقـهاراضـیآیـشبـاطبقـهزمینهـایکشـاورزیوباغـاتادغامشـدتاموجببعـدینشـود.جـدول)2(نسـبت اشـتباهدرمحاسـباتمسـاحتطبقـاتزمیـندرسـالهایمختلـفوتغییـرات

آندردورهمـوردمطالعـهرانشـانمـیدهـد.میـزانافزایـشدرمسـاحتکاربـریاراضـیسـاختهشـدهبرایدورههای2002-1990،2015-2002و2015-1990بـهترتیـب1993،1580و3513هکتاربودهاسـت.

نگاره4 : کسر های پوشش زمین بدست آمده از تصاویر بازتاب نرمال شده

نگاره 5 : نقشه طبقه بندی منطقه در سال 2015 با استفاده از الیه های کسری پوشش به عنوان باند ها و عضو های پایانی به عنوان نمونه های

آموزشی و با الگوریتم حداکثر احتمال


پیش بینی رشد شهری با شبکه عصبیازپنـجالیـهپنهـانبـرایآمـوزششـبکهوباشـرایطتوقـف،دههـزارتکرار،میـزانRMS0/01ومیـزانصحت

مـوردنظـرمـادراینتحقیـق،تغییـرکاربریهابـهمناطقسـاختهشـدهبودبنابراینسـایرتغییراتنادیدهشـدند.الیهحداکثـراحتمـالتغییـربراسـاسالیـهتغییـرکاربریهابهکاربـریسـاختهشـدهوالیهطبقهبندیسـالپایهسـاختهمـیشـود.وحداکثـراحتمـالتبدیـلیـکطبقـهزمینبهطبقهموردنظرمحاسـبهمیشـود.2(الیـهفاصلهازمناطقسـاختهشـده؛بـرایایجادایـنالیـهازتصویـرطبقهبندیشـدهسـال2015طبقهسـاختهشدهجداشـدوالیهفاصلهاقلیدسـیآن،تـامحـدودهمـوردمطالعـهمحاسـبهگردیـد.الیـهفاصلـهازمناطـقسـاختهشـدهازآنجهـتمیتواند

مهـمباشـدکـههـراندازهسـلولیبهسـلولسـاختهشـدهنزدیکترباشـداحتمالتبدیلآنسـلولبهسـلولسـاختهشـدهبـهعلـتوجـودزیرسـاختهاودسترسـیها،باالتر

جدول 1: صحت طبقه بندی تصاویر سال های 1990، 2000 و 2015

199020022015صحت/سال99/874%99/763%99/321%صحتکلی0/98430/98520/9868ضریبکاپا

99/99%99/92%99/45%صحتتولیدکننده99/93%99/87%99/38%صحتکاربر

جدول 2: مقدار تغییرکاربری اراضی در طول دوره مورد مطالعه از نظرهکتار و درصد در هر طبقه

تغییرات مساحت کاربری اراضیمساحت کاربری اراضی2015-20151990-20022002-1990200220151990سالهکتارهکتارهکتاردرصدهکتاردرصدهکتاردرصدهکتارطبقه

39628/5589512/6747516199315803513ساختهشده5102-2717-2385-4145389/239068843635178/2کشاورزیوباغات10992/315523/426865/845311341587شالیزارومرداب

نگاره 5: الیه های ورودی شبکه عصبی

100درصـداسـتفادهشـد.الیههـایمـورداسـتفادهبـرایمطالعـهشـامل؛1(الیـه ایـن در ورودیشـبکهعصبـیحداکثـراحتمـالتغییـربـهاراضـیسـاختهشـده؛تغییرات


اسـت.3(الیـهفاصلـهازجـاده؛جادههایکـیازمهمترینمناطـق در سـاز انسـان مناطـق ایجـاد عوامـلگسـترششـمالیایـرانمـیباشـند.الیـهجـادههایشـهررشـتومحـدودهآنازنقشـهجادههایآزاد1OSM((تهیهشـدوفاصلهاقلیدسـیآندرمحدودهموردمطالعهمحاسـبهشـد.4(الیههـای،ارتفـاع،شـیبوفاصلـهازآبراهه؛بـرایالیهارتفـاعازمـدلرقومـیارتفـاعمحصولسـنجندهتشعشـع)ASTER(2پیشـرفتههوابردگرماییتابشوبازتابسـنجوبـاتـوانتفکیک30مترازسـازمانزمینشناسـیآمریکا3

1- Open Street Map2- Advanced Space borne Thermal Emission and Reflection Radiometer

3- U. S. Geological Survey

)USGS(،تهیـهگردیـدوالیههایشـیبوآبراههمنطقهازآنبدسـتآمد.ارتفاعدرشـهررشـتبسـیارپاییناسـتودرقسـمتشـمالیمنطقـهمـوردمطالعـهارتفـاعحتـیازسـطحدریـاپاییـنتـراسـت.شـیبمنطقـهنیـزبسـیارکـماسـتوجهـتآنبهسـمتشـمالمـیباشـد.نگاره)5(،الیـههـایورودیمـورداسـتفادهدرشـبکهعصبیرا

نمایـشمـیدهد.مـدلبامیزانصحـت94/46%واندازهمهارت0/8492وRMSآزمایشـی0/103وآموزشـی0/092متوقفشـد.مشـخصاتکلـیمـدلایجـادشـدهدرجـدول)3(آورده

شـدهاست.

جدول 2: مشخصات کلی مدل ایجاد شدهالیه های ورودی. 1

متغیر6متغیر5متغیر4متغیر3متغیر2متغیر1

فاصلهازمناطقفاصلهازآبراههساختهشده

الیهحداکثراحتمالتغییر

فاصلهازجادهالیهارتفاعالیهشیب

پارامتر ها و عملکرد. 2

دیرو

ه والی

ی ن ها

رونو

انپنه

یه ال

ایون ه

ورن

جیرو

خالیه

ی ن ها

رونو

در ی

ستخوا

درنه

مون

سکال

نیایا

ی پگیر

یادخ

نر

تمومن

ل معام

یدومئ

یگ س

تثاب

شذیر

ل پقاب

RM

S

ر هاکرا

ت

شیوز

آمR

MS

شیمای

آزR

MS

تصح

ن یزا

م

تهار

ه مداز

ان

65210000/0050/510/01100000/0920/103%94/460/8492

وادار کردن یک متغیر منفرد به ثابت بودن. 3

متغیر 6 ثابتمتغیر 5 ثابتمتغیر 4 ثابتمتغیر 3 ثابتمتغیر 2 ثابتمتغیر 1 ثابتکل متغیرهامدل

94/4694/4694/4160/0794/5594/5494/46صحت)%(

0/84920/84920/84880/00130/8560/8560/8492اندازهمهارت653کمترین1بیشترین42غیرقابلاجرارتبهتأثیرگذاری

وادار کردن تمام متغیر ها به جز یکی به ثابت بودن. 4کل متغیرها به کل متغیرهامدل

غیر از متغیر 1کل متغیرها به غیر از متغیر 2

کل متغیرها به غیر از متغیر 3

کل متغیرها غیر از متغیر

4



94/4660/0760/0794/4660/0760/0760/07صحت)%(0/84920.00130.00130/80250.00130.00130.0013اندازهمهارت


اعتبارسنجی مدل بـرایاعتبـارسـنجیمدلهـایپیشبینـیکننـده،بایدمـدلرابـااسـتفادهازدادههـایموجـوددرگذشـتهاجـراکـردوبـادادههـایموجـوددرزمانحـالمقایسـهکردتاصحـتمـدلدرپیـشبینیمحاسـبهگـردد.بـرایاینکارمـدلشـبکهعصبیبااسـتفادهالیـهتغییراتسـال1990-2002وفاصلهازمناطقسـاختهشـدهوجادهسـال2002ایجـادشـدوسـپسبـرایپیـشبینیمناطقسـاختهشـدهدرسـال2015اجـراشـد.مقایسـهنتیجـهمـدلبـانقشـهطبقهبنـدیسـال2015،بـاضریبکاپـای92درصد،کاپایاسـتاندارد89درصـدوکاپـایطبقهای)برایطبقهسـاختهشـده(93درصـدنتایـجقابـلقبولـیرانشـانداد.نـگاره)7(مناطـقسـاختهشـدهسـالهای،1990،2002و2015بـاپیـشبینـیسـال2015و2030رانشـانمـیدهـد.همانطورکهازتصاویرمشـخصاسـتمدلاسـتفادهشـدهدرایـنتحقیـقدرپیشبینـیرشـدمرزهـایشـهرموفـقعمـلکـردهاسـت،امـادرپیـشبینیمناطقسـاختهشـده

انفـرادیاطـرافشـهرصحتکمتـریدارد.

بحث و نتیجه گیریمناطـق در بینـی پیـش و نظـارت بخـش مهمتریـن

اسـتخراج ماهـوارهای، تصاویـر از اسـتفاده بـا شـهریویژگیهـایسـطحشـهریبـادقـتوصحـتبـاالمـیباشـد.زیـراخطاهـایناشـیاسـتخراجعـوارضسـطحبـروینتایـجکاراثـرمیگـذارد.درایـنتحقیـقازروششـهری سـطوح پیکسـل زیـر اسـتخراج بـرای NSMA

اسـتفادهشـد.بـرایطبقهبنـدیتصاویرازالیههایکسـریپوشـشبـهعنـوانالیههـایورودیوعضوهـایپایانیبهعنـواننمونههایآموزشـیوبـاالگوریتمحداکثـراحتمالاسـتفادهشـدوضریبکاپایباالی0/98بدسـتآمد.اینروشطبقهبنـدیتوانسـتبرخـالفطبقهبنـدیبـرپایـهپیکسـلکـهخـاکروشـنراجزوطبقهسـاختهشـدهقرارمیدهـد،بـهخوبـیپوشـشخـاکراازاراضـیسـاخته

شـدهجـداکند.بـهمنظـورپیـشبینـیرشـدشـهریبـاشـبکهعصبیدرایـنتحقیـقازمـدلپرسـپترونچنـدالیـه)MLP(بـاالگوریتـمیادگیـریپسانتشـار)BP(والیههـایورودی؛ارتفـاع،شـیب،فاصلـهازمناطـقسـاختهشـده،فاصلـهازجـاده،فاصلـهازآبراهـهوالیـهحداکثراحتمـالتغییـربـهاراضیسـاختهشـدهاسـتفادهشـد.برایاعتبارسـنجیمدلازنقشـهتغییـراتسـال2002-1990برایپیشبینیسـال2015اسـتفادهشـد.نتایـجمقایسـهخروجیمدلبانقشـه

نگاره 7: مناطق ساخته شده سال های، 1990، 2002 و 2015 با پیش بینی سال

2015 و 2030


طبقـهبندیسـال2015،ضریـبکاپـای92درصد،کاپایاسـتاندارد89درصـدوکاپـایطبقهای)برایطبقهسـاختهشـده(93درصد،رانشـانداد.مدلاسـتفادهشـدهدراینتحقیـقدرپیشبینـیرشـدمرزهـایشـهرموفـقعمـلکـردهاسـت،امـادرپیشبینیمناطقسـاختهشـدهانفرادی

اطـرافشـهرصحتکمتـریدارد.

منابع و مآخذ 1- Adams, J. B., Smith, M. O., & Johnson, P. E. (1986). Spectral mixture modeling: a new analysis of rock and soil types at the Viking Lander 1 site. Journal of Geophysical Research: Solid Earth (1978–2012), 91(B8), 8098-8112.2- Aisa, B., Mingus, B., O’Reilly, R.C., 2008. The emergent neural modelling system.Neural Netw. 21, 1045–1212.3- Chan, J. C. W., Chan, K. P., & Yeh, A. G. O. (2001). Detecting the nature of change in an urban environment: A comparison of machine learning algorithms. Photogrammetric Engineering and Remote Sensing, 67(2), 213-226. 4- Ciresan, D., Meier, U., & Schmidhuber, J. (2012, June). Multi-column deep neural networks for image classification. In Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on (pp. 3642-3649). IEEE.5- Franke, J., Roberts, D. A., Halligan, K., & Menz, G. (2009). Hierarchical multiple endmember spectral mixture analysis (MESMA) of hyperspectral imagery for urban environments. Remote Sensing of Environment, 113(8), 1712-1723.6- Ghosh, S., Roy, M., & Ghosh, A. (2014). Semi-supervised change detection using modified self-organizing feature map neural network. Applied Soft Computing, 15, 1-20.7- Guerschman, J. P., Scarth, P. F., McVicar, T. R., Renzullo, L. J., Malthus, T. J., Stewart, J. B., ... & Trevithick, R. (2015). Assessing the effects of site heterogeneity and soil properties when unmixing photosynthetic vegetation, non-photosynthetic

vegetation and bare soil fractions from Landsat and MODIS data. Remote Sensing of Environment, 161, 12-26.8- Hansen, M. C., DeFries, R. S., Townshend, J. R. G., Sohlberg, R., Dimiceli, C., & Carroll, M. (2002). Towards an operational MODIS continuous field of percent tree cover algorithm: examples using AVHRR and MODIS data. Remote Sensing of Environment, 83(1), 303-319.9- Hsieh, W. W. (2009). Machine learning methods in the environmental sciences: neural networks and kernels. Cambridge university press.10- Ji, M., & Jensen, J. R. (1999). Effectiveness of subpixel analysis in detecting and quantifying urban imperviousness from Landsat Thematic Mapper imagery. Geocarto International, 14(4), 33-41.11- Karul, C., & Soyupak, S. (2003). A comparison between neural network based and multiple regression models for chlorophyll-a estimation. In Ecological Informatics (pp. 249-263). Springer Berlin Heidelberg.12- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).13- Myint, S. W., & Okin, G. S. (2009). Modelling land cover types using multiple endmember spectral mixture analysis in a desert city. International Journal of Remote Sensing, 30(9), 2237-2257.14- Pijanowski, B. C., Brown, D. G., Shellito, B. A., & Manik, G. A. (2002). Using neural networks and GIS to forecast land use changes: a land transformation model. Computers, environment and urban systems, 26(6), 553-575.15- Pijanowski, B. C., Tayyebi, A., Doucette, J., Pekin, B. K., Braun, D., & Plourde, J. (2014). A big data urban growth simulation at a national scale: Configuring the GIS and neural network based Land Transformation Model to run in a High Performance Computing (HPC) environment. Environmental Modelling & Software, 51, 250-268.16-


16- Powell, R. L., Roberts, D. A., Dennison, P. E., & Hess, L. L. (2007). Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis: Manaus, Brazil. Remote Sensing of Environment, 106(2), 253-267.17- Ridd, M. K. (1995). Exploring a VIS (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities†. International journal of remote sensing, 16(12), 2165-2185.18- Roberts, D. A., Batista, G., Pereira, J., Waller, E., & Nelson, B. (1999). Change identification using multitemporal spectral mixture analysis: Applications in eastern Amazonia. 19- Small, C. (2005). A global analysis of urban reflectance. International Journal of Remote Sensing, 26(4), 661-681.220- Smith, M. O., Ustin, S. L., Adams, J. B., & Gillespie, A. R. (1990). Vegetation in deserts: I. A regional measure of abundance from multispectral images. Remote sensing of Environment, 31(1), 1-26.21- Song, C. (2005). Spectral mixture analysis for subpixel vegetation fractions in the urban environment: How to incorporate endmember variability?. Remote Sensing of Environment, 95(2), 248-263.22- Tayyebi, A., Pijanowski, B. C., & Tayyebi, A. H. (2011). An urban growth boundary model using neural networks, GIS and radial parameterization: An application to Tehran, Iran. Landscape and Urban Planning, 100(1), 35-44.23- Triantakonstantis, D., & Stathakis, D. (2015). Urban Growth Prediction in Athens, Greece, Using Artificial Neural Networks. Int. J. Civil Struct. Constr. Archit. Eng, 9, 193-197.24- Yang, X. (Ed.). (2011). Urban remote sensing: Monitoring, synthesis and modeling in the urban environment. John Wiley & Sons.25- Wang, Q., Shi, W., Atkinson, P. M., & Li, Z. (2015). Land Cover Change Detection at Subpixel Resolution With a Hopfield Neural Network.

Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 8(3), 1339-1352.26- Weng, Q., & Lu, D. (2009). Landscape as a continuum: an examination of the urban landscape structures and dynamics of Indianapolis City, 1991–2000, by using satellite images. International Journal of Remote Sensing, 30(10), 2547-2577.27- Wu, C. (2009). Quantifying high resolution impervious surfaces using spectral mixture analysis. International Journal of Remote Sensing, 30(11), 2915-2932.28- Wu, C. (2004). Normalized spectral mixture analysis for monitoring urban composition using ETM+ imagery. Remote Sensing of Environment, 93(4), 480-492.29- Wu, C., & Murray, A. T. (2003). Estimating impervious surface distribution by spectral mixture analysis. Remote sensing of Environment, 84(4), 493-505.

Documents

NSMA( هدش لامرن طولخم فیط لیلحت و هیزجت دربراک€¦ · 1- Thematic Map 2- Enhanced Thematic Mapper Plus 3- Operational Land Imager .دنک یریگهزادنا