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

استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش بینی مناطق ساخته شده شهری در دهه های اخیر توسعه یافته است. مهم ترین گام در پی شبینی رشد مناطق شهری، استخراج ویژگی هایسطح شهر با دقت و صحت بالا و مه مترین چالش در این راه پیچی دگی عوارض شهری و مسئله پیکسل های مخلوط است. هدف از این تحقیق استفاده از مدل های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهررشت به منظور پیش بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سا لهای؛ 1990 )سنجنده 2002 ،)TM )سنجنده + ETM ( و 2015 )سنجنده OLI/TIRS ( و روش تجزیه و تحلیل طیفمخلوط نرمال شده ) NSMA (، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه های کسری پوشش به عنوان لایه های ورودی و عضوهای پایانی به عنوان نمونه های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه بند یکننده استفاده شد؛ که در نتیجه صحت کلی بالای 99 % و ضریب کاپای بالای 98 / 0 برایتصاویر سه دوره بدست آمد. به منظور پی شبینی رشد شهری با شبکه 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 کاپای 92 %،کاپای استاندارد 89 % و کاپای طبقه ای )برای طبقه ساخته شده( 93 %، را نشان داد. مدلاستفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.