NATIONAL BIBLIOGRAPHY NUMBER
Number
۱۴۳۷۹پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
per
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
پیاده سازی طرح جامع کاداستر شهری با استفاده از تصاویر ماهواره ای با تاکید بر مدل تشخیص تغییرات پیکسلی) PCD نمونه موردی :جلفا(
First Statement of Responsibility
/سید محمد امین سید صدقیانی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: پردیس
Date of Publication, Distribution, etc.
، ۱۳۹۴
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
سنجش از دور
Date of degree
۱۳۹۳/۱۱/۳۰
Body granting the degree
تبریز
SUMMARY OR ABSTRACT
Text of Note
به طور کلی داشتن یک تابع کلیدی در بسیاری از زمینه‌های کاربرد عملی آشکارسازی تغییرات به صورت خودکار، یکی از مشکلات جالب در پردازش تصویر است .ایجاد نقشه های کاداستری شهری و طبیعی باعث علاقه فزآینده و توجه ویژه در جامعه سنجش از دور به این موضوع شده است .آشکارسازی تغییرات پوشش زمین مربوط میشود به تجزیه و تحلیل سنجش از دور تصاویر چند طیفی که در دو زمان متفاوت از یک منطقه جغرافیایی مشابه کسب شده است .شبکه‌های عصبی مصنوعی نیز به عنوان یک ابزار مهم برای پرداختن به بسیاری از مشکلات مربوط به تصاویر سنجش از دور پدید آمده است .همچنین آشکارسازی پیکسلی تغییرات به عنوان یکی از نواحی نسبتا جدید استفاده از شبکه‌های عصبی مصنوعی بوجود آمده است در این تحقیق ما روشهایی را که در هر دو الگوی طبقه‌بندی نظارت شده و بدون نظارت به رسمیت شناخته شده، برای آشکارسازی پیکسلی خودکار تغییرات در تصاویر ماهواره‌ای چند زمانه با قدرت تفکیک بالا و چند طیفی مورد ارزیابی قرار دادیم که نتیجه آن بهترین الگوریتم برای طبقه‌بندی تصاویر ماهواره‌ای با قدرت تفکیک بالا برای الگوریتم پرسپترون چند لایه (MLP) با دقت کلی و ضریب کاپا به ترتیب ۹۱.۲۸ درصد و ۰.۸۹ همچنین شبکه تابع شعاع مدار ۷۷.۷۵ درصد و ۰.۷۲ و در نهایت شبکه نگاشت خودسازمانده با کمترین دقت به ترتیب ۷۴.۰۹ درصد برای دقت کلی و مقدار ۰.۶۷ برای ضریب کاپا بدست آمد .با بهنگام سازی نقشه های کاداستر موجود براساس تصاویر ماهواره ای ، ضریب تغییرات شهری و طبیعی را برای نقشه های مقیاس بزرگ ومقیاس کوچک و با تراکم عوارض پایین وبالا آشکار می نماید در انجام روش از کد دستورهای آشکارساز پیکسلی برای تشخیص تغییرات استفاده میشود که به زبان پایتون نوشته شده اند .در نهایت، تحلیل تغییرات منطقه مورد مطالعه، شامل بیشترین تغییرات کاربری اراضی مربوط به کلاس بدون کاربری) بایر (و کلاس پوشش گیاهی می‌باشد که حدود ۸۴۵۰ متر مربع از زمین بایر به پوشش گیاهی تغییر نموده است .همچنین میزان ۴۸۲ متر مربع از پوشش گیاهی به ساختمان تغییر کرده است
Text of Note
In general, a key function in many aspects of the practical application of automatic change detection, image processing is one of the most interesting problems. Cadastral survey of the urban and natural causes increasing interest in remote sensing and pay special attention to this topic. Land cover change detection analysis relates to multi-spectral remote sensing images at two different times from the same geographical area is obtained. Artificial neural networks as an important tool for addressing many of the problems associated with remote sensing images emerged. In this study the ways in which we classify both supervised and unsupervised pattern recognition, Pixel for automatic detection of changes in multitemporal satellite images with high resolution and multi-spectral evaluated Resulting in the best algorithm for high-resolution satellite image classification algorithm for multi-layer perceptron (MLP) with an overall accuracy and kappa coefficient, respectively, 91.28 and 77.75 and 0.72 0.89 Net also the radius of the orbit The Self-organizing map network with a minimum accuracy of 74.09 percent, respectively, for an overall accuracy and kappa coefficient value of 0.67 was obtained. By updating the existing cadastral maps based on satellite images, the coefficient of variation and natural urban and small a scale to large-scale maps of Low Density inclusion is obvious. The method of instruction codes pixel detector is used to detect changes in the language Python. Finally, the analysis of changes in this area, including the highest class of land use changes without user (Bayer) and the class of vegetation About 8450 square meters of barren land vegetation has changed. The building of 482 square meters of vegetation has changed
PERSONAL NAME - PRIMARY RESPONSIBILITY
سید صدقیانی، سید محمد امین
PERSONAL NAME - SECONDARY RESPONSIBILITY
ولیزاده کامران، خلیل، استاد راهنما
خورشید دوست، علی محمد، استاد راهنما
فیضی زاده، بختیار، استاد مشاور
ELECTRONIC LOCATION AND ACCESS
Public note
سیاه و سفید
نمایه‌سازی قبلی
