آشکارسازی سطوح نفوذناپذیر شهری با استفاده از ویژگی‌های بافتی تصویر راداری

نویسندگان

1 دانش‌آموختة کارشناسی ارشد سنجش ‌از دور و سیستم اطلاعات جغرافیایی، دانشکدة علوم انسانی، دانشگاه هرمزگان، بندرعباس، ایران

2 استادیار گروه جغرافیا، دانشکدة علوم انسانی، دانشگاه هرمزگان، بندرعباس، ایران

چکیده

طرح مسئله: رشد جمعیت شهری و توسعة فیزیکی مداوم شهرها باعث تغییر پوشش طبیعی زمین می‌شود و آن را به پوشش مصنوعی و سطوح نفوذناپذیر تبدیل می‌کند. افزایش چشمگیر این سطوح به پیامدهای منفی در بسیاری از حوزه‌ها می‌انجامد؛ ازجمله افزایش رواناب سطحی و خطر سیل، کاهش میزان تغذیة آب‌های زیرزمینی و تشدید اثر جزیرة گرمایی. به این دلایل برآورد دقیق و پایش روند تغییرات این محدوده‌ها ضروری است. در این زمینه داده‌های سنجش از دور، یک راه‌حل مقرون به‌صرفه برای تهیة 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 ویژگی‌های بافتی ماتریس هم‌رخداد سطوح خاکستری (GLCM) با استفاده از روش‌های طبقه‌بندی حداکثر احتمال، شبکة عصبی مصنوعی و ماشین بردار پشتیبان روی تصویر راداری Sentinel-1 برای تعیین سطوح نفوذناپذیر شهر بندرعباس ارزیابی می‌شود.
نتایج: به‌منظور بررسی صحت پردازش‌های انجام‌شده با روش‌های به‌کاررفته، از روش‌های 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 طبقه‌بندی بیشترین شباهت، شبکة عصبی مصنوعی و ماشین بردار پشتیبان به دست آمد که نشان‌دهندة مناسب‌بودن روش‌های استفاده‌شده برای آشکارسازی سطوح نفوذناپذیر شهری است.
نوآوری: برای استخراج اطلاعات سطوح شهری بیشتر از الگوریتم‌های طبقه‌بندی متداول ویژگی‌های طیفی بهره برده می‌شود. این مسئله باعث می‌شود حجم زیادی از اطلاعات فضایی مفید مانند بافت در طبقه‌بندی تصاویر نادیده گرفته شود. با توجه به اینکه تصاویر SAR به مشخصات هندسی سطوح شهری حساس‌اند، می‌توان با استفاده از ویژگی‌های بافتی تصاویر راداری، سطوح نفوذناپذیر شهری را با دقت مناسبی آشکارسازی کرد که تاکنون کمتر به آن توجه شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Detecting Impervious Urban Surfaces using the Textural Properties of Radar Imagery

نویسندگان [English]

  • Marzieh Sohrabi Mofrad 1
  • Masoud Bakhtyari Kia 2
1 Graduate Master of Remote Sensing and Geographic Information System, Faculty of Humanities, University of Hormozgan, Bandar Abbas, Iran
2 Assistant Professor of Geography, Faculty of Humanities, University of Hormozgan, Bandar Abbas, Iran
چکیده [English]

Urban population growth and the continuous physical development of cities change the natural coverage of the earth and transform it into artificial cover and impervious surfaces. The dramatic increase of these surfaces yields negative consequences in many areas such as increasing surface runoff and flood risk, decreasing groundwater recharge, or intensifying the urban heat island effect. For these reasons, accurate estimation and monitoring of the trend of changes in these ranges is necessary. In this regard, remote sensing data are a cost-effective solution for the preparation and monitoring of impervious surfaces. The purpose of this study was to identify impervious urban surfaces using radar images. In the present study, the textural properties of the Gray Level Co-occurrence Matrix (GLCM) were evaluated using maximum likelihood classification methods, artificial neural network, and support vector machine on Sentinel-1 radar image to determine impervious surfaces of Bandar Abbas city. The overall accuracy of 97.00%, 98.14%, 98.40% and Kappa coefficient of 0.95, 0.97, and 0.97, respectively, for maximum likelihood classification, artificial neural network, and support vector machine, indicated the appropriateness of the utilized methods for detecting impervious urban surfaces. For extracting urban surface information, spectral feature classification algorithms are mostly used. This causes a large amount of useful spatial information such as texture to be ignored in the classification images. Given that SAR images are sensitive to the geometrical properties of urban surfaces, impervious urban surfaces can be accurately detected by using textural properties of radar imagery, which has not been addressed so far.

کلیدواژه‌ها [English]

  • Impervious surfaces
  • Textural properties
  • Bandar Abbas
  • Radar Imagery
  • Sentinle

مقدمه

گسترش شهر به‌مثابة یکی از ویژگی‌های اساسی شهرنشینی و شهرسازی از عوامل مهم تأثیرگذار بر اکوسیستم طبیعی شهری است. توسعة شهرها ناگزیر به ایجاد تغییرات در پوشش زمین نیاز دارد و نشان‌دهندة تبدیل سریع پوشش طبیعی به پوشش مصنوعی است (Kuang‚ 2012: 536).

سطوح نفوذناپذیر (ISA)[1] به مواد مصنوعی و انسان‌ساختی اشاره دارند که به واسطة استفاده از آنها، آب در خاک نفوذ نمی‌کند و با فعالیت‌های انسانی نظیر ساخت‌وساز، حمل‌ونقل و ساختمان مرتبط‌اند. این سطوح به دو دستة حمل‌ونقل و ساختمان‌ها تقسیم می‌شوند که از مواد رسوخ‌ناپذیر مانند آسفالت، بتن، آجر و سنگ ساخته شده‌اند (زائری و سفیانیان، 1391: 65؛ Lu et al.‚ 2011: 299).

سطوح نفوذناپذیر، بخش بسیار کوچکی از سطح کرة زمین را اشغال کرده‌اند (Elvidge et al.‚ 2007: 1963؛ Schneider et al.‚ 2010: 1733؛ Kuang et al.‚ 2013: 1692)؛ ولی همین بخش کوچک، مهم‌ترین کاربری سطح کرة زمین محسوب می‌شود که به تغییرات اقلیمی محلی و اثرگذاری بر دیگر شرایط محیطی می‌انجامد. این عامل، شاخص جالب توجهی برای اندازه‌گیری کیفیت محیط زیست شهری و اکوسیستم‌های شهری است (2016: 2
et al.‚ Shao؛ Weng‚ 2012: 34). برخلاف سطوح طبیعی زمین، سطوح نفوذناپذیر میزان آب، گرما، خاک و جریان مواد و انرژی را در شهرها تغییر می‌دهند و باعث ایجاد یک اکوسیستم ویژة شهری می‌شوند (Lepeska‚ 2016: 30؛ Yan et al.‚ 2015: 1؛ Sterling et al.‚ 2013: 386)؛ به همین دلیل شناخت این پهنه‌ها برای برنامه‌ریزان و مدیران شهری یک نیاز ضروری است.

با توسعة تکنولوژی سنجش از دور فعال و غیرفعال، تصاویر سنجش از دور به یک ابزار سریع و مطمئن برای نظارت بر محیط‌های شهری تبدیل شده‌اند (Weng‚ 2012: 35؛ Schneider‚ 2012: 690). درزمینة تشخیص سطوح نفوذناپذیر شهری، تصاویر سنجش از دور با دقت مکانی کمتر از 10 متر به‌مثابة متداول‌ترین ابزار شناخته شده‌اند (Yang‚ 2017: 54 & He؛ Lu et al.‚ 2011: 299). با این دقت مکانی، سنجنده‌های نوری متفاوتی مانند IKONOS، Quick Bird و World View از دهة 1990 استفاده شد. به‌تازگی نیز سایت آژانس فضایی اروپا با ارسال سنجندة Sentinel-1، سنجندة راداری پیشرفته تا دقت حدود 5 متر و با دسترسی آزاد به‌صورت رایگان، زمینة مطالعات مختلف ازجمله آشکارسازی تغییرات و تعیین سطوح نفوذناپذیر شهری را میسر ساخته است.

 

پیشینة پژوهش

در دو دهة گذشته، پژوهشگران مختلف پژوهش‌های زیادی به‌منظور توسعة روش‌ها و تکنیک‌های لازم برای تشخیص و تعیین پراکندگی مکانی سطوح نفوذناپذیر و تعیین آثار منفی آن انجام داده‌اند.

ملک‌نژاد و همکاران (1394) بر سنجش کارایی ویژگی‌های بافتی GLCM[2] (ماتریس هم‌رخداد سطوح خاکستری) در افزایش طبقه‌بندی تصاویر تک‌باند سنجندة ALI و ابرطیفی هایپریون در مناطق مسکونی و صنعتی جنوب شهر تهران با استفاده از روش ماشین بردار پشتیبان تمرکز کردند. نتایج نشان داد استفاده از ویژگی‌های بافتی[3] در کنار ویژگی‌های طیفی[4] تصاویر حاصل از ادغام، دقت طبقه‌بندی مناطق شهری را حدود 5 درصد بهبود می‌بخشد.

خصالی و همکاران (1392) استخراج عارضة راه را در شهر شیراز با استفاده از تصاویر TerraSAR-X و آیکونوس با اطلاعات بافت در الگوریتم شبکة عصبی مقایسه کردند. نتایج حاصل برای تصویر راداری و آیکونوس 10/46 و 72/57درصد برای پارامتر RCC، 57/46 و 27/93 درصد برای پارامتر BCC و 61/0 و 31/0 درصد برای پارامتر RMSE به دست آمده است.

رضایی مطلق و همکاران (1391) تصاویر ماهوارة آیکونوس را براساس تلفیق ویژگی بافتی با استفاده از شبکة عصبی MLP طبقه‌بندی کردند. نتایج نشان داد با ترکیب GLCM و ویژگی‌های فضایی الگوریتمی، 9 درصد راندمان بهبود یافته است؛ نسبت به حالتی که فقط از ویژگی‌های فضایی استفاده می‌شود.

فو و شائو[5] (2016) با استفاده از مقایسة دو الگوریتم SEaTH[6] و CART[7]و تصاویر GF-2 و Sentinel l-A، سطوح نفوذناپذیر شهری را در شهرستان ووهان از توابع استان هوبئی در چین استخراج کردند. نتایج نشان داد استخراج سطوح ‌نفوذناپذیر با استفاده از ویژگی‌ها و آستانه در روش CART بیشتر از الگوریتم SEaTH است.

ژانگ و همکاران[8] (2016) به بررسی تطبیقی استفادة ترکیبی از داده‌های نوری چند طیفی و دادة SAR قطبش دوگانه برای نقشه‌برداری سطوح ‌نفوذناپذیر شهری در منطقة دلتای رود پیل در جنوب شرقی چین واقع در مرز شنزن و هنگ‌کنگ اقدام کردند. آنها از داده‌های Terra SAR-X با تفکیک مکانی 3 متر، ALOS PALSAR با تفکیک مکانی 16 متر و داده‌های SPOT5 با تفکیک مکانی 10 متر در نوامبر سال 2008 بهره بردند. نتایج نشان داد استفاده از دادة SAR دو پلاریمتری در مقایسه با استفادة منفرد از داده‌های SPOT5 حدود 5/3 درصد دقت را بهبود می‌بخشد و نسبت به تک‌پلاریمتری SAR مفیدتر است.

شائو و همکاران[9] (2016) در پژوهش خود به نقشه‌برداری سطح ‌نفوذناپذیر با ترکیب اطلاعات نوری و SAR در سطح تصمیم‌گیری و روشی ابتکاری برای استخراج سطح ‌نفوذناپذیر شهری با استفاده از تصاویر نوریGao Fen (GF-1) و راداری Sentinel-1A اقدام کردند. دقت کلی به‌دست‌آمده برای استخراج سطوح ‌نفوذناپذیر شهری در این پژوهش، 33/95 درصد بود.

لو و همکاران[10] (2011) در چشم‌انداز شهر و روستا در آمازون برزیل با استفاده از ادغام داده‌های لندست TM و راداری (باند L ALOS PALSAR و C RADARSAT-2) از سطوح ‌نفوذناپذیر نقشه‌برداری کردند. نتایج نشان داد ادغام تصاویر با تفکیک مکانی 10 متر برای نقشه‌برداری سطوح نفوذناپذیر مناسب‌تر است. از سوی دیگر تفاوت معنا‌داری بین باند L سنجندة PALSAR و باند C سنجندة RADARSAT در بهبود عملکرد نقشه‌برداری سطح ‌نفوذناپذیر با قدرت تفکیک مکانی یکسان برای ادغام چند سنسوری با روش Wavelet وجود نداشت.

به دلیل پیچیدگی‌های سطوح نفوذناپذیر از یک سو و محدودیت‌های داده‌های سنجش از دور از سوی دیگر، تعیین دقیق سطوح نفوذناپذیر همچنان به‌مثابة یک چالش مهم برای علم سنجش از دور مطرح است (Dengsheng et al.‚ 2014: 94). هنوز معلوم نیست کدام روش برای چه نوع از داده‌های سنجش از دور یا برای کدام منطقة مطالعاتی مناسب است. بیشتر روش‌ها و مطالعات ارائه‌شده براساس استفاده از تصاویر چندطیفی نوری انجام شده است. این نوع تصاویر به دلیل تأثیرپذیرفتن از عوامل محیطی مانند دود، مه، ابر، ریزگردها و میزان نور خورشید (Pohl  & Van Genderen‚ 1998: 824) و همچنین به علت وجود پوشش‌ها و کاربری‌های مختلف با اثر طیفی مشابه در شهر، برآورد دقیقی از سطوح نفوذناپذیر ارائه نمی‌کنند (برای نمونه آب و سایه‌ها با سطوح نفوذناپذیر تاریک اشتباه گرفته می‌شوند) (Weng et al.‚ 2009: 4808؛ Wu‚ 2009: 2916)؛ به همین دلایل به‌تازگی تصاویر راداری توجه پژوهشگران مختلف را جلب کرده است. این تصاویر ضمن اینکه توانایی اخذ در تمامی شرایط آب‌وهوایی را دارند، اطلاعاتی غنی از بافت و ساختار ارائه می‌دهند و علاوه بر این به مؤلفه‌های شکل، جهت، زبری و رطوبت نیز حساس هستند. همچنین این تصاویر به مشخصات هندسی سطوح زمین شهری حساس‌ترند و اطلاعات بافتی را برای توصیف سطوح نفوذناپذیر ارائه می‌دهند. به این منظور و با توجه به تغییرات کالبدی زیاد شهر بندرعباس، این شهر به‌مثابة منطقة مطالعاتی انتخاب شد.

بررسی آمارها نشان می‌دهد محدودة این شهر رشد 12 برابری را در طول 60 سال گذشته داشته است (Dadras et al.‚ 2014: 2). همین رشد سریع باعث شده است بخش بزرگی از زمین‌های بایر، تپه‌ها، زمین‌های کشاورزی، مناطق ساحلی و روستاهای اطراف به سطوح نفوذناپذیر تبدیل شوند. با توجه به اینکه شناسایی این سطوح به کم‌کردن تأثیرات منفی آنها کمک می‌کند، در این پژوهش تلاش شده است به کمک تصویر راداری ماهوارة Sentinel-1 و ویژگی‌های بافتی GLCM تصویر مدنظر و با استفاده از روش‌های طبقه‌بندی حداکثر احتمال، شبکة عصبی مصنوعی و ماشین بردار پشتیبان برای تعیین سطوح نفوذناپذیر این شهر اقدام شود.

 

مبانی نظری پژوهش

بافت تصویر عبارت است از تکرار یک المان با الگویی خاص که این المان خود از تغییرات محلی مقادیر سطوح خاکستری پیکسل‌های تصویر تشکیل شده است. ازجمله انواع بافت، بافت‌های خشن، ظریف، هموار، مواج و خطی هستند. روش‌های توصیف بافت شامل روش‌های ساختاری و آماری است. به‌طور کلی هنگامی که المان‌ها (تکسل‌ها-Texel) به حد کافی بزرگ هستند و به‌راحتی از زمینه تفکیک و به‌صورت مجزا تقطیع و شرح داده می‌شوند (مانند بیشتر بافت‌های مصنوعی ساخته‌شده به دست انسان)، از روش‌های ارائه و توصیف ساختاری بافت همچون مفروش‌کردن و مدل گرامری بهره گرفته می‌شود؛ در غیر این صورت مانند بیشتر بافت‌های طبیعی باید از روش‌های توصیف و بررسی آماری بافت تصویر استفاده کرد؛ علاوه بر این روش‌های تحلیل آماری بافت کارایی، سادگی و محبوبیت بیشتری دارند.

بررسی آماری بافت به‌طور کلی در دو حوزة مکان و تبدیل، امکان پیاده‌سازی دارد. در بررسی آماری بافت، نحوة توزیع و ارتباط مکانی مقادیر سطوح خاکستری پیکسل‌های تصویر در سطح المان ارائه می‌شود (Anuradha & Sankaranarayanan‚ 2013: 458). بسته به تعداد پیکسل‌های به‌کارگیری‌شده برای تفسیر و توصیف بافت تصویر، روش‌های بررسی آماری به سه دستة مرتبة اول، مرتبة دوم و مراتب بالاتر تقسیم می‌شوند. شاخص‌های آماری مرتبة اول، برخلاف شاخص‌های آماری مرتبة دوم و مراتب بالاتر، بدون درنظرگرفتن ارتباط مکانی میان مقادیر سطوح خاکستری پیکسل‌های تصویر محاسبه و استخراج می‌شوند  (Singh‚ 2016: 10).

همان‌گونه که اشاره شد، بررسی بافت، یکی از رایج‌ترین روش‌های ایجاد توصیف‌گرهای عوارض سطحی در تصاویر رقومی است که به‌مثابة معیاری برای تمایز بین اشیای مختلف موجود در تصویر استنباط می‌شود. در اجرای روند بررسی بافت تصویر، روابط درجات خاکستری بین پیکسل بررسی و پیکسل‌های همسایة آن تجزیه و تحلیل می‌شوند و سپس یک یا چند معیار مشخص و تعریف‌شده از اطلاعات بافت برای آن منطقه محاسبه می‌شود. در این روش توزیع درجات خاکستری و موقعیت پیکسل‌ها نسبت به یکدیگر در نظر گرفته می‌شود. برای بیان موقعیت نسبی یک زوج پیکسل، دو پارامتر فاصله (d) و توجیه (φ) به کار می‌رود. پارامتر فاصله، اختلاف مکانی پیکسل‌های بررسی‌شده و پارامتر توجیه، جهت این اختلاف مکانی را نشان می‌دهد (خصالی، 1392: 27).

 

روش‌شناسی پژوهش

داده‌های پژوهش

در این پژوهش از تصاویر راداری Sentinel-1 مربوط به تاریخ 20 آوریل سال 2017 با پلاریزیشن VV و VH و در حالت [11]IW با قدرت تفکیک 5×20 استفاده شد (شکل 1). Sentinel-1، یک سنجندة راداری پیشرفتة خورشیدآهنگ است که آژانس فضایی اروپا به فضا ارسال کرده است. به‌منظور بهبود توان تفکیک زمانی، دو ماهواره به نام Sentinel-1A و Sentinel-1B ساخته شده است که با فاصلة 180 درجه از یکدیگر قرار گرفته‌اند و به همین دلیل تصویربرداری از کل کرة زمین را در هر 6 روز امکان‌پذیر می‌سازند. سنجندة Sentinel-1A در 3 آوریل سال 2014 و Sentinel-1B نیز در 25 آوریل سال 2016 در مدار قرار گرفتند. این سنجنده در محدودة باند C و در تمام شرایط آب‌وهوایی تصویربرداری می‌کند و توان برداشت چهار حالت تصویربرداری (EM، IW، EW و WV) را با قدرت تفکیک مکانی مختلف (تا 5 متر) و پهنای برداشت تا 400 کیلومتر دارد (جدول 1).

 

 

شکل- 1: تصاویر راداری Sentinel-1 استفاده‌شده در این پژوهش، (1) پلاریزیشنVV؛ (2) پلاریزیشنVH

جدول- 1: مدل‌های مختلف برداشت تصاویرSentinel 1 (منبع: Sentinel-1 User Handbook‚ 2013: 34)

نوع تصویر

کاربرد

عرض برداشت

پولاریزیشن

قدرت تفکیک

SM[12]

مدیریت شرایط اضطراری

80 KM

HH+HV, VH+VV, HH, VV

5×5

IW[13]

بازبینی زمینی

250 KM

HH+HV, VH+VV, HH, VV

5×20

EW[14]

کاربردهای دریایی

400 KM

HH+HV, VH+VV, HH, VV

20×40

WV[15]

اقیانوس‌های آزاد

20×20 KM

HH, VV

5×5

 

مراحل انجام پژوهش

روند کلی مراحل کار در شکل (2) نشان داده شده است. برای برآورد سطوح نفوذناپذیر شهری، نخست تصحیحات برش‌زدن، کالیبراسیون، پردازش چند منظره[16]، فیلترگذاری و تصحیح هندسی روی تصویر انجام شد. سپس ویژگی بافتی با استفاده از روش GLCM استخراج شد. در مرحلة بعد با استفاده از Layer stacking، ویژگی‌های بافتی شامل میانگین و واریانس در پلاریزیشن VV و میانگین، واریانس و نبود تشابه در پلاریزیشن VH با هم در یک دسته قرار گرفتند تا پردازش‌های بعدی روی مجموعه‌ویژگی‌های مدنظر انجام شود. سپس با استفاده از سه روش طبقه‌بندی حداکثر احتمال، شبکة عصبی مصنوعی و ماشین بردار پشتیبان، سطوح نفوذناپذیر شهری استخراج شدند. در پایان صحت نتایج به‌دست‌آمده با استفاده از ضریب کاپا و دقت کلی سنجیده شد.

تصویرSentinel

در حالتIW

Subset

کالیبراسیون

Multi-look

speckle filter

تصحیح هندسی

Mean

Correlation

Variance

Homogeneity

Contrast

Dissimilarity

Entropy

Angular second moment

 

صحت‌سنجی با استفاده از ضریب کاپا و دقت کلی

عملیات پیش‌پردازش

 

استخراج ویژگی‌های بافتیGLCM

 

ماشین بردار پشتیبان

شبکة عصبی مصنوعی

حداکثر احتمال

طبقه‌بندی برای تصویر راداری

 

 

(VV-Mean)+(VH-Mean)+(VV-Variance)+(VH-Variance)+(VH-Dissimilarity)

Layer stacking

 

شکل- 2: مراحل کلی کار برای استخراج سطوح نفوذناپذیر شهری با استفاده از تصویر راداری

روش پژوهش

در این پژوهش به‌منظور تهیة سطوح نفوذناپذیر، از ماتریس هم‌وقوع درجات خاکستری (GLCM) استفاده شد که یکی از روش‌های متداول برای استخراج پارامترهای بافت در تصاویر سنجش از دور است (Haralick & Shanmugam‚ 1973: 611;؛ 1995: 1171 Anys & He‚؛ Dabbiru et al.‚ 2017: 2). این تکنیک از کارآمدترین تکنیک‌های استخراج بافت از تصاویر سنجش ‌از دور است (صادقی و همکاران، 1394: 143) که نخستین‌بار هارلیک[17] آن را معرفی کرد. او از این ماتریس در سال 1973 برای طبقه‌بندی تصاویر اپتیکی استفاده کرد و توانست با استخراج 14 ویژگی بافت، نتایج طبقه‌بندی بهتری را ایجاد کند (سعیدزاده و همکاران، 1394: 2). برای تعریف این ماتریس فرض می‌شود {I(x,y),0≤x≤N-1,0≤y≤N-1} معرف یک تصویر با ابعاد و درجات خاکستری است (قنادی و همکاران، 1393: 12). این ماتریس شامل G×G درایه و هر درایة آن برابر با Pd است. d بردار جابه‌جایی و برابر با (dx, dy) است.

Pd (i, j)نیز برابر است با تعداد تکرار جفت درجة خاکستری i وj که به فاصلة d از یکدیگر قرار گرفته‌اند (سعیدزاده و همکاران، 1394: 4). ماتریس رخداد توأم درجات خاکستری به‌صورت زیر تعریف می‌شود:

(1)

pd(i,j)=|{((r,s), (t,v)): I(r,s)=i, I(t,v)=j}|

ورودی (i, j) ماتریس بیان‌کنندة تعداد رخداد زوج‌های درجات خاکستری است که در فاصلة d از هم قرار گرفته‌اند. در این تعریف (r,s), (t.v) € N×N, (t,v)= (r+dx,s+dy) و |0| برابر با تعداد عضوهای مجموعه است (قنادی و همکاران، 1393: 12). این ماتریس هم برای کل تصویر و هم برای ناحیة خاصی از آن محاسبه می‌شود. به‌منظور استخراج ویژگی‌های بافت باید به هر پیکسل یک عدد نسبت داد؛ بنابراین نخست روی هر پیکسل پنجره‌ای با ابعاد فرد (5×5) قرار داده شده است و در این پنجره ماتریس محاسبه می‌شود. با استفاده از این ماتریس امکان استخراج تعداد زیادی از ویژگی‌های بافت با استفاده از روابط آماری وجود دارد که هر ویژگی یک عدد را به هر پیکسل اختصاص می‌دهد (سعیدزاده و همکاران، 1394: 4). ویژگی‌های چندبافتی که از ماتریس GLCM به دست آورده می‌شود شامل زاویة تماس لحظه‌ای، کنتراست، همبستگی، آنتروپی، واریانس، لحظة تفاوت معکوس، تفاوت متوسط، تفاوت واریانس، تفاوت آنتروپی، مجموع متوسط، مجموع واریانس و مجموع آنتروپی است (SNAP. Help)؛ (جدول 2).

جدول- 2:ویژگی‌های بافت ماتریس هم‌وقوع درجات خاکستری (GLCM)

(منبع:Shao et al.‚ 2016: 6؛ صادقی و همکاران، 1394: 143)

بافت

معادله

توصیف

میانگین (Mean)

 

میانگین، متوسط ارزش در روزنة محلی است. در اینجا میانگین برابر با میانگین سادة درجات خاکستری نیست.

همبستگی (correlation)

 

همبستگی، اندازه‌گیری وابستگی خطی سطح خاکستری در تصویر است.  و  واریانس ارزش‌ها در روزنة محلی هستند.

واریانس (variance)

 

واریانس در روزنة محلی است.

همگنی (homogeneity)

 

همگنی، صافی از بافت تصویر است. یکنواختی محلی یک جفت پیکسل را اندازه‌گیری می‌کند. برای تصاویری با بخش‌های همگن بزرگ، این معیار بالاتر خواهد بود.

کنتراست (contrast)

 

کنتراست، اندازه‌گیری تغییرات در GLCM است.

نبود تشابه (dissimilarity)

 

شباهت زیادی به کنتراست دارد؛ با این تفاوت که وزنی برابر با تفاوت درجات خاکستری به ماتریس داده می‌شود؛ در حالی ‌که در کنتراست توان دوم اختلاف به‌مثابة وزن استفاده می‌شود.

آنتروپی (entropy)

 

آنتروپی، معیاری از درجة آشفتگی در یک تصویر است.

زاویة تماس لحظه‌ای

(angular second moment)

 

ASM، یک اندازه‌گیری از یکنواختی بافت است. معیاری برای اندازه‌گیری نرمی است. تعداد جفت پیکسل‌های تکراری را نشان می‌دهد. در حالت یکنواختی کامل، مقدار آن یک و در صورت یکنواخت‌نبودن کامل، بسیار نزدیک به صفر است.

i شمارة ستون، j شمارة ردیف، pij ارزش در ماتریس سلول i و j، N تعداد ردیف‌ها و ستون‌ها و برابر با تعداد سطوح خاکستری است. پیکسل در روزنة محلی شاخصی از صفر است.

 

پس از محاسبة ویژگی‌های بافتی به‌منظور آشکارسازی سطوح نفوذناپذیر از روش پارامتریک بیشترین شباهت[18] و روش‌های ناپارامتریک شبکة عصبی مصنوعی[19]و ماشین بردار پشتیبان[20] برای طبقه‌بندی تصویر استفاده شد و چهار کلاس شامل سطوح نفوذناپذیر با آلبدوی بالا (IS-H)، سطوح نفوذناپذیر با آلبدوی پایین (IS-L)، سطوح نفوذپذیر با آلبدوی بالا (NIS-H) و سطوح نفوذپذیر با آلبدوی پایین (NIS-L) برای هریک تعیین شد. سپس نتایج به‌دست‌آمده از طبقه‌بندی‌ها با روش‌های دقت کلی (OA)[21] و ضریب کاپا (K)[22] ارزیابی شدند. برای این کار از تصویر Google Earth (مربوط به تاریخ 20/04/2017) استفاده و نمونه‌های لازم به تفکیک طبقات به شرح
جدول (3) گردآوری شدند.

جدول- 3: تعداد نمونه‌های استفاده‌شده برای صحت‌سنجی نقشه‌ها

طبقه

آموزشی

صحت‌سنجی

IS-H

45

40

IS-L

30

26

NIS-L

50

45

NIS-H

30

29

 

منطقة پژوهش

شهر بندرعباس به‌مثابة مرکز شهرستان بندرعباس بین مختصات جغرافیایی 27 درجه، 17 دقیقه، 30 ثانیه و
27 درجه، 8 دقیقة عرض شمالی و 56 درجه، 22 دقیقه و 56 درجه و 11 دقیقة طول شرقی واقع شده است. بندرعباس، یکی از شهرهای بزرگ ایران و مرکز مهم فعالیت‌های اقتصادی و تجاری است. این شهر که در قسمت انتهایی خلیج فارس و در فصل مشترک شاهراه خلیج فارس و دریای عمان واقع شده است، نقش مهمی درزمینة صادرات و واردات کشور ایفا می‌کند. افزایش جمعیت در کنار توسعة کالبدی شهر از وجوه بارز این شهر و به‌ویژه پس از افزایش قیمت نفت در دهة 70 میلادی به شمار می‌رود. رشد طبیعی جمعیت از یک سو و افزایش میزان جمعیت مهاجر در 50 سال گذشته از سوی دیگر باعث شده است این شهر به بزرگ‌ترین و پرجمعیت‌ترین شهر ساحلی جنوب کشور تبدیل شود. با توجه به رشد شهری و به‌دنبال آن گسترش سطوح نفوذناپذیر شهری و اهمیت این سطوح در مسائل زیست‌محیطی، ضرورت مطالعة سطوح نفوذناپذیر شهری احساس می‌شود. به‌منظور شناسایی این پهنه‌ها با پردازش تصاویر، تمامی محدودة شهر به‌مثابة محدودة مطالعاتی در نظر گرفته شده است (شکل 3).

 

شکل- 3: محدودة پژوهش

تجزیه و تحلیل یافته‌های پژوهش

استخراج ویژگی‌های بافتی

پس از انجام پیش‌پردازش‌های لازم روی تصویر راداری، ویژگی‌های بافتی میانگین، همبستگی، واریانس، همگنی، کنتراست، نبود تشابه، آنتروپی و زاویة تماس لحظه‌ای استخراج شدند.

      

(4-1)                                                                                                      (4-2)

       

(4-3)                                                                                        (4-4)

 

(4-5)

شکل- 4: ویژگی‌های بافتی GCLM محدودة شهر بندرعباس: (تصاویر 4-1 و 4-2)میانگین و واریانس در پلاریزیشن VV، (تصاویر 4-3، 4-4 و 4-5) میانگین، واریانس و نبود تشابه در پلاریزیشنVH

با بررسی انجام‌شده از ویژگی‌های میانگین و واریانس در پلاریزیشن VV و میانگین، واریانس و نبود تشابه در پلاریزیشن VH برای انجام مراحل بعدی استفاده شد (شکل 4). ویژگی بافتی میانگین استخراج‌شده علاوه بر محاسبة میانگین سادة درجات خاکستری بر چگونگی پخش و تعدد زوج پیکسل‌های دارای درجات خاکستری در محاسبات تأثیر می‌گذارد. در این ویژگی، سطوح نفوذناپذیر شهری به‌صورت سطوح روشن در پلاریزیشن VV و سطوح روشن و خاکستری در پلاریزیشن VH و سطوح نفوذپذیر به‌صورت سطوح تیره در هر دو پلاریزیشن مشخص شده‌اند.

ویژگی بافتی، واریانس نحوة توزیع درجات خاکستری را نشان می‌دهد. همان‌طور که مشاهده می‌شود واریانس در پلاریزیشن VV به طرف اعداد بزرگ‌تر میل می‌کند که نشان‌دهندة پخش وسیع درجات خاکستری و مشخص‌کنندة سطوح نفوذناپذیر شهری هستند و به‌صورت سطوح روشن مشخص شده‌اند؛ ولی سطوح نفوذناپذیر در پلاریزیشن VH به طرف اعداد کوچک میل می‌کند و به‌صورت سطوح خاکستری مشاهده می‌شود.

ویژگی بافتی نبود تشابه، همانند ویژگی کنتراست است؛ با این تفاوت که به ماتریس، وزنی برابر با تفاوت درجات خاکستر داده می‌شود. این ویژگی نشان‌دهندة تغییرات ماتریس هم‌وقوع درجات خاکستری است. همان‌طور که مشاهده می‌شود غیریکنواخت‌بودن بافت باعث تفاوت درجة خاکستری بیشتری شده است و میزان تفاوت‌های محلی را نمایش می‌دهد. در این ویژگی، سطوح نفوذناپذیر شهری به‌صورت سطوح روشن و خاکستری و سطوح نفوذپذیر به‌صورت سطوح تیره در پلاریزیشن VH مشخص شده‌اند.

 

یافته‌های پژوهش

نتایج پردازش‌های انجام‌شده روی تصویر، براساس تقسیم‌بندی ارائه‌شده در شکل (5) و در چهار دستة زیر تهیه و نتایج این طبقه‌بندی در شکل‌های (6) تا (8) به تفکیک روش‌های به‌کاررفته ارائه شده است:

IS-H: سطوح نفوذناپذیر با آلبیدوی بالا (شامل سطوح ساختمان و خیابان دارای پراکنش زیاد و بافت‌های جدید شهری)؛

IS-L: سطوح نفوذناپذیر با آلبیدوی پایین (شامل ساختمان و خیابان دارای پراکنش کم و بافت‌های قدیمی‌تر شهری)؛

NIS-L: سطوح نفوذپذیر با آلبیدوی پایین (شامل زمین‌های بایر)؛

NIS-H: سطوح نفوذپذیر با آلبیدوی بالا (تلفیقی از زمین بایر دارای پوشش‌گیاهی نازک، زمین بایر، پوشش گیاهی و سطوح آب).

 

سطوح نفوذناپذیر

سطوح نفوذپذیر

 سطوح نفوذناپذیر با آلبیدوی بالا

 

سطوح نفوذناپذیر با آلبیدوی پایین

سطوح نفوذپذیر با آلبیدوی بالا

سطوح نفوذپذیر با آلبیدوی پایین

سطوح شهری

شکل- 5: سطوح مختلف شهری

 

شکل- 6: طبقه‌بندی حداکثر احتمالمحدودة شهر بندرعباس

 

شکل- 7: طبقه‌بندی شبکة عصبی مصنوعی محدودة شهر بندرعباس

 

شکل- 8: طبقه‌بندی ماشین بردار پشتیبان محدودة شهر بندرعباس

ارزیابی نتایج و صحت‌سنجی (جدول 4) نشان داد در هر سه روش، سطوح نفوذناپذیر و نفوذپذیر در حد مطلوبی شناسایی و تفکیک شده‌اند. مساحت محاسبه‌شدة هریک از این سطوح محدوده‌های سطوح نفوذناپذیر و نفوذپذیر بسیار نزدیک به هم بود؛ بیشترین تفاوت ازنظر مساحت در کلاس‌های استخراجی مربوط به محدوده‌های با آلبیدوی بالا و آلبیدوی پایین در هریک از سطوح شهری به‌ویژه در سطوح نفوذناپذیر وجود داشت.

جدول- 4: مقایسة دقت نتایج به تفکیک روش

روش

کلاس‌ها

دقت تولیدکننده

دقت کاربر

دقت کلی

ضریب کاپا

بیشترین شباهت

IS-H

75/99

80/99

00/97

95/0

IS-L

17/88

95/96

NIS-L

97/96

10/99

NIS-H

13/98

95/79

شبکة عصبی

IS-H

06/99

60/99

14/98

97/0

IS-L

99/89

91/95

NIS-L

01/99

32/99

NIS-H

45/93

93/89

ماشین بردار پشتیبان

IS-H

95/99

60/99

40/98

97/0

IS-L

95/89

91/96

NIS-L

05/99

46/99

NIS-H

08/95

88/90

 

دقت تولیدشده برای روش بیشترین شباهت در کلاس IS-H با 75/99 درصد، بیشترین و کلاس IS-L با
17/88 درصد، کمترین است. برای روش شبکة عصبی کلاس‌های IS-H با 06/99 درصد و NIS-L با
01/99 درصد، بیشترین و کلاس IS-L با 99/89 درصد، کمترین است. در روش ماشین بردار پشتیبان کلاس‌های IS-H با 95/99 درصد و NIS-L با 05/99 درصد، بیشترین و کلاس IS-L با 95/89 درصد، کمترین است. در کل بیشترین دقت تولیدشده در هر سه روش مربوط به کلاس IS-H و کمترین مربوط به کلاس IS-L است.

در دقت کاربر در روش بیشترین شباهت کلاس‌های IS-H با 80/99 درصد و NIS-L با 10/99 درصد، بیشترین و کلاس NIS-H با 95/79 درصد، کمترین است. در روش شبکة عصبی مصنوعی، روش‌های IS-H و NIS-L با 60/99 درصد و 32/99 درصد، بیشترین و روش NIS-H با 93/89 درصد، کمترین است. در روش ماشین بردار پشتیبان، روش‌های IS-H و NIS-L با 60/99 درصد و 46/99 درصد، بیشترین و روش NIS-H با 88/90 درصد، کمترین است. در کل بیشترین دقت کاربر در کلاس‌های IS-H و NIS-L و کمترین در کلاس NIS-H مشاهده می‌شود.

در مقایسة روش‌ها در شناسایی سطوح مشخص شد روش بیشترین شباهت در شناسایی طبقة NIS-H، بیشترین دقت و در تعیین سطوح IS-L و NIS-L، کمترین دقت را نسبت به دو روش دیگر داشته است. با توجه به اینکه در روش بیشترین شباهت، فرض اصلی بر نرمال‌بودن توزیع داده‌هاست و در مناطق شهری به علت پیچیدگی مناظر این وضعیت اغلب نقض می‌شود، این نتیجه توجیه‌کردنی است. درمقابل از آنجایی که در طبقه‌بندی‌های ناپارامتری مانند روش‌های شبکة عصبی و ماشین بردار پشتیبان، فرض توزیع نرمال در مجموعة داده لازم نیست، نتایج بهتر را نسبت به طبقه‌بندی روش بیشترین شباهت در منظره‌های پیچیدة شهری ارائه می‌دهند. همان‌گونه که در نتایج صحت‌سنجی دیده می‌شود روش شبکة عصبی برای کلاس IS-L، بیشترین دقت را داشت که علت آن، آزادبودن توزیع این روش جست‌وجوست. کلاس‌های NIS-H و IS-H نسبت به دو روش دیگر، کمترین دقت را داشتند که علت آن احتمالاً همگرایی‌های تصادفی است که یکی از معایب این روش به شمار می‌آید. روش ماشین بردار پشتیبان در شناسایی کلاس‌های IS-H و NIS-L دقت زیادی داشت که علت آن در واضح‌بودن حاشیة جداسازی این روش است. روش ماشین بردار پشتیبان در آشکارسازی کلاس NIS-H، پس از روش بیشترین شباهت و در رتبة دوم قرار دارد که علت آن، تأکید بر نرمال‌بودن داده‌ها در روش بیشترین شباهت است.

 

نتیجه‌گیری

مطالعة سطوح نفوذناپذیر به‌مثابة شاخصی از میزان شهرنشینی و همچنین یکی از شاخص‌های کیفیت محیط زیست شهری در سال‌های اخیر توجهات زیادی را به خود جلب کرده است؛ از این رو در این مطالعه با استفاده از ویژگی‌های بافتی GLCM، دادة راداری Sentinel و روش‌های طبقه‌بندی بیشترین شباهت، شبکة عصبی مصنوعی و ماشین بردار پشتیبان، سطوح مختلف شهری شامل IS-H (سطوح نفوذناپذیر با آلبیدوی بالا)، IS-L (سطوح نفوذناپذیر با آلبیدوی پایین)، NIS-L (سطوح نفوذپذیر با آلبیدوی پایین) و NIS-H (سطوح نفوذپذیر با آلبیدوی بالا) در شهر بندرعباس استخراج شدند. یافته‌ها نشان داد با وجود تفاوت‌ها در محدوده‌های سطوح نفوذناپذیر با آلبیدوی بالا و پایین در نقشه‌های خروجی، داده‌های راداری در تفکیک سطوح نفوذپذیر و نفوذناپذیر شهری عملکرد خوبی دارند؛ به‌طوری که در این پژوهش نتایج صحت کلی، 0/97، 14/98 و 40/98درصد و ضریب کاپا 95/0، 97/0 و 97/0 به ترتیب در روش‌های طبقه‌بندی بیشترین شباهت، شبکة عصبی مصنوعی و ماشین بردار پشتیبان محاسبه شد. همچنین نتایج یافته‌ها نشان داد روش بیشترین شباهت در استخراج سطوح نفوذپذیر، روش شبکة عصبی مصنوعی در استخراج سطوح نفوذناپذیر و روش ماشین بردار پشتیبان در استخراج هر دو سطوح نفوذپذیر و نفوذناپذیر، عملکرد بهتری داشتند؛ این نتایج نشان از کارایی زیاد روش‌های مبتنی بر پیکسل به‌ویژه روش ماشین بردار پشتیبان و شبکة عصبی برای آشکارسازی سطوح نفوذناپذیر شهری داشت.

نتایج این پژوهش با یافته‌های چتزیانتونیو وهمکاران[23] (2017) که با استفاده از داده‌های Sentinel1 و Sentinel2 و با روش ماشین بردار پشتیبان به نقشه‌برداری کاربری و پوشش اراضی اقدام کردند و همچنین پژوهش ژانگ و همکاران[24] (2016) همسوست. این نتایج نشان داد استفاده از داده‌های راداری در آشکارسازی سطوح شهری با روش ماشین بردار پشتیبان پتانسیل زیادی دارد.

همچنین نتایج این پژوهش با پژوهش حسنلو و همکاران (1394) که با تلفیق داده‌های نوری، راداری و لیدار، عوارض خاص شهری را با دقت کلی 90 درصد در شهر سانفرانسیسکو شناسایی کردند و پژوهش‌های شائو و همکاران[25] (2016)، لو و همکاران[26] (2011) و گلشنی و همکاران (1393) مطابقت دارد و تأییدکنندة این یافته است که داده‌های راداری با توجه به ویژگی‌های کامل‌تری که نسبت به داده‌های نوری دارند، به بهبود آشکارسازی سطوح نفوذناپذیر شهری کمک می‌کنند. همچنین نشان می‌دهد استفاده از روش‌هایی چون بررسی بافت در این نوع تصاویر که الگو‌ها و روابط مکانی و تغییرات بین پیکسل‌های تصویر و پیکسل‌های مجاور را در نظر می‌گیرند، دقت نتایج را به میزان زیادی در مناظر پیچیدة شهری افزایش می‌دهد.

در این زمینه نتایج به‌دست‌آمده در این پژوهش همانند پژوهش‌های گلشنی و همکاران (1393) و رضایی مطلق و همکاران (1391) نشان داد روش‌های طبقه‌بندی هنگام ترکیب با ویژگی‌های آماری بررسی بافت برای آشکارسازی و تفکیک سطوح شهری نتایج مناسب‌تری ارائه می‌دهند. ازنظر دقت در مقایسه با پژوهش‌های مشابه همچون چتزیانتونیو وهمکاران (2017) با دقت 82/94 درصد و ضریب کاپای 93/0 و پژوهش شائو و همکاران (2016) با دقت کلی 33/95 درصد، این پژوهش در نقشه‌های نهایی حاصل از روش طبقه‌بندی ماشین بردار پشتیبان به دقت کلی 40/98 درصد و ضریب کاپای 97/0 دست یافت. علت این دقت زیاد در استفادة همزمان از ویژگی‌های بافتی تصاویر راداری است.

با توجه به نتایج، پیشنهاد می‌شود از ویژگی‌های بافتی تصاویر راداری در کنار ویژگی‌های طیفی تصاویر نوری بهره برده شود تا سطوح نفوذناپذیر با استفادة همزمان از این دو ویژگی با جزئیات بیشتر (مشخص‌کردن زیرکلاس در هریک از سطوح شهری) استخراج شوند.



[1] Impervious Surface Area

[2] Grey Level Co-occurrence Matrix

[3] Textural features

[4] Spectral features

[5] Fu  &Shao

[6] Separability and Thresholds

[7] Classification And Regression Tree

[8] Zhang et al

[9] Shao et al

[10] Lu et al

[11] Interferometric Wide Swath

[12] Strip Map

[13] Interferometric Wide Swath

[14] Extra – Wide Swath

[15] Wave

[16] Multi-look

[17] Haralick

[18] Maximum Likelihood

[19] Artificial Neural Network

[20] Support vector machine

[21] Overall accuracy

[22] Kappa Coefficient

[23] Chatziantoniou et al

[24] Zhang et al

[25] Shao et al

[26] Lu et al

1- حسنلو، مهدی، پهلوانی، پرهام، امینی، حامد، طالبی‌نهر، سیامک، (1394). بررسی توانایی تصاویر ماهواره‌ای با توان تفکیک طیفی بالا، لیدار و تمام‌پلاریزة راداری به‌منظور شناسایی عوارض خاص شهری، نشریة علمی‌پژوهشی علوم و فنون نقشه‌برداری، دورة 5، شمارة 3، تهران، 35-47.

2- خصالی، الهه، ولدان زوج، محمدجواد، دهقانی، مریم، مختارزاده، مهدی، (1392). مقایسة استخراج عارضة راه در مناطق شهری از تصاویر با حد تفکیک بالای TerraSER-X و آیکونوس با استفاده از اطلاعات بافت در الگوریتم‌های شبکة عصبی، سنجش ‌از دور و GIS ایران، دورة 5، شمارة 4، 23-36.

3- دریاباری، سید جمال‌الدین، لطفی، حیدر، (1390). مدیریت و ساماندهی اسکان‌های غیررسمی در شهر بندرعباس، فصلنامة جغرافیایی سرزمین، دورة 8، شمارة 29، تهران، 79-92.

4- رضایی ‌مطلق، عظیم، شهریاری، غلامرضا، رضایی ‌مطلق، امیر، ابراهیمی، اصغر، پاپری، جوهر، (1391). طبقه‌بندی تصاویر ماهواره‌ای براساس تلفیق مدل‌های مبتنی بر بافت با استفاده از شبکة عصبی MLP، چهارمین کنفرانس مهندسی برق و الکترونیک ایران، دانشگاه آزاد اسلامی گناباد، 1476-1483.

5- زائری امیرانی، آزاده، سفیانیان، علیرضا، (1391). تهیة نقشة سطوح نفوذناپذیر به‌عنوان یک شاخص زیست‌محیطی، فصلنامة علمی‌پژوهشی اطلاعات جغرافیایی (سپهر)، دورة 21، شمارة 83، تهران، 65-69.

6- سعیدزاده، فاطمه، محمدنژادنیازی، سعید، صاحبی، محمدرضا، مختارزاده، مهدی، (1394). استخراج، بهینه‌سازی و بررسی تأثیر اطلاعات مختلف بافت تصویر در طبقه‌بندی تصاویر بزرگ‌مقیاس، بیست‌ودومین همایش و نمایشگاه ملی ژئوماتیک، سازمان نقشه‌برداری ایران، تهران، 1-14.

7- صادقی، وحید، عنایتی، حمید، عبادی، حمید، (1394). بهبود شناسایی تغییرات در مناطق شهری با انتخاب ویژگی‌های طیفی و مکانی بهینة مبتنی بر الگوریتم ژنتیک، فصلنامة علمی‌پژوهشی اطلاعات جغرافیایی (سپهر)، دورة 24، شمارة 96، تهران، 135-152.

8- قنادی، محمد، سعادت‌سرشت، محمد، افتخاری، اکرم، (1393). بهبود تناظریابی ماهواره‌ای TerraSAR-X به کمک ویژگی‌های بافت تصویری، مجلة علمی‌پژوهشی رادار، سال 2، شمارة 4، تهران، 9-20.

9- گلشنی، پری، فلاح، اصغر، اولادی قادیکلایی، جعفر، کلبی، سیاوش، (1393). ارزیابی قابلیت داده‌های سنجندة GeoEye-1 و پارامترهای بافت تصویر به‌منظور طبقه‌بندی مناظر شهری (مطالعة موردی: منطقة 3 تهران)، پژوهش‌های جغرافیای طبیعی، سال 46، شمارة 2، تهران، 157-168.

10- ملک‌نژاد، احمد، قاسمیان، حسن، میرزاپور، فردین، (1394). سنجش کارایی ویژگی‌های بافتی GLCM در افزایش دقت طبقه‌بندی تصاویر حاصل از ادغام تصاویر تک‌باند و ابرطیفی مناطق مسکونی و صنعتی جنوب شهر تهران، نشریة علمی‌پژوهشی علوم و فنون نقشه‌برداری، دورة 5، شمارة 1، تهران، 55-64.

11- Anuradha, K.‚ Sankaranarayanan, K‚ (2013). Comparison of Feature Extraction Techniques to classify Oral Cancers using Image Processing‚ International Journal of Application or Innovation in Engineering & Management (IJAIEM), Vol  6‚ No 2‚ Pp 456-462.

12- Anys, H., He, D.C., (1995). Evaluation of textural and multipolarization radar features for crop classification‚ IEEE Trans‚ Geosci‚ Remote Sens‚ Vol 33, Pp 1170–1181.

13- Chatziantoniou, A.‚ Petropoulos George P.‚ Psomiadis, E., (2017). Co-Orbital Sentinel 1 and 2 for LULC Mapping with Emphasis on Wetlands in a Mediterranean Setting Based on Machine Learning‚ Remote Sensing‚ Vol 9, 1259 p.

14- Dabbiru, L.‚ Aanstoos, J.V.‚ Ball, J.E.‚ Younan, N.H., (2017). Screening Mississippi River Levees Using Texture-Based and Polarimetric-Based Features from Synthetic Aperture Radar Data‚ Vol 6, 29 p.

15- Dengsheng‚ Lu, Guiying Li, Wenhui‚ Kuang‚ Emilio‚ Moran, (2014). Methods to extract impervious surface areas from satellite images‚ International Journal of Digital Earth, Vol 7‚ No 2, Pp 93-112, DOI: 10.1080/17538947.2013.866173.

16- Elvidge, C.D., Tuttle, B.T.‚ Sutton, P.C.‚ Baugh, K.E.‚ Howard, A.T.‚ Milesi, C.‚ Bhaduri, B.‚ Emani, R. ‚(2007). Global Distribution and Density of Constructed Impervious Surfaces‚ Sensors 7 (9)‚ 1962–1979. doi:10.3390/s7091962.

17- FU, Huyan‚ Shao, Zhenfeng‚ (2016). Impacts of feature selection for urban impervious surface extraction using optical image and SAR data‚ IEEE‚ School of Electronics Information and Communications Huazhong University of Science and Technology Wuhan, China‚ 978-1-5090-14 79-8/16.

18- Haralick, R.M.‚ Shanmugam, K., (1973). Textural features for image classification‚ IEEE Trans‚ Syst. Man Cybern‚ Vol 3, Pp 610–621.

19- Kuang, W., Liu, J.‚ Zhang, Z.‚ Lu, D.‚ Xiang, B.‚ (2013). Spatiotemporal Dynamics of Impervious Surface Areas across China During the Early 21st Century‚ Chinese Science Bulletin 58 (14)‚ 1691–1701‚ doi: 10.1007/s11434-012-5568-2.

20- Kuang, Wenhui, (2012). Evaluating impervious surface growth and its impacts on water environment in Beijing-Tianjin-Tangshan Metropolitan AreaJournal of Geographical Sciences, Vol 22, No 3, Pp 535–547.

21- Lepeška, T., (2016). The impact of impervious surfaces on ecohydrology and health in urban ecosystems of Banská Bystrica (Slovakia)‚ Soil Water Res 11 (1)‚ Pp 29–36.

22- Lu, Dengsheng, Moran, Emilio, Hetrick, Scott, (2011). Detection of impervious surface change with multitemporal Landsat images in an urban–rural frontier‚ ISPRS Journal of Photogrammetry and Remote Sensing, Pp 298-299.

23- Pohl, C.‚ Van Genderen, J.L., (1998). Multisensor image fusion in remote sensing: concepts, methods, and applications‚ International Journal of Remote Sensing, Vol 19, Pp 823–854.

24- Schneider, A., (2012). Monitoring land cover change in urban and pen-urban areas using dense time stacks of landsat satellite data and a data mining approach‚ Remote Sens‚ Environ‚ Vol 124, Pp 689–704.

25- Schneider, A., Friedl, M.A.‚ Potere, D.‚ (2010). Mapping Global Urban Areas Using MODIS 500-m Data: New Methods and Datasets Based on Urban Ecoregions‚ Remote Sensing of Environment‚ Vol 8‚ No 114‚ Pp 1733–1746‚ doi: 10.1016/j.rse.2010.03.003.

26- Sentinel-1 User Handbook, (2013). European Space Agency‚ ESA Standard Document‚ Date 1/09/2013.1-80.

27- Shao, Zhenfeng‚ Fu, Huyan‚ Fu, Peng‚ Yin, Li, (2016). Mapping Urban Impervious Surface by Fusing Optical and SAR Data at the Decision Level‚ remote sensing, Pp 1-21.

28- Singh, R., (2016). A comparison of gray-level run length matrix and gray-level co-occurrence matrix towards cereal grain classification‚ Int. J. Comp. Eng. Technol. (IJCET), Vol 6‚ No 7‚ Pp 9-17.

29- SNAP.HELP‚ GLCM Operator and Help-GLCM.

30- Sterling‚ S.M.‚ Ducharne, A.‚ Polcher‚ J., (2013). The impact of global land cover change on the terrestrial water cycle‚ Nat Clim Change, Vol 3‚ Pp  385–390.

31- Weng, Q.‚ Hu, X.‚ Liu, H., (2009). Estimating impervious surfaces using linear spectral mixture analysis with multi-temporal ASTER images‚ International Journal of Remote Sensing, Vol 18‚ No 30, Pp 4807–4830.

32- Weng, Qihao, (2012). Remote sensing of impervious surfaces in the urban areas: Requirements, methods and trends‚ Remote Sensing of Environment‚ Vol 117‚ Pp 34–49.

33- Wu, C., (2009). Quantifying high-resolution impervious surfaces using spectral mixture analysis‚ Int. J. Remote Sens‚ Vol 30, Pp 2915–2932.

34- Yan‚ Y.‚ Kuang, W.H.‚ Zhang, C.‚ Chen, C.B., (2015). Impacts of impervious surface expansion on soil organic carbon: A spatially explicit study‚ Sci Rep, 5: 17905‚ doi: 10.1038/srep17905.

35- Yang, Jian‚ He, Yuhong, (2017). Automated mapping of impervious surfaces in urban and suburbanareas: Linear spectral unmixing of high spatial resolution imagery‚ International Journal of Applied Earth Observation and Geoinformation, Pp 53-64.

36- Zhang, Hongsheng‚ Lina, Hui‚ Li, Yu‚ Zhang, Yuanzhi‚ Fang, ChaoYang, (2016). Mapping impervious surfaces with the integrated use of Landsat Thematic Mapper and radar data: A case study in an urban–rural landscape‚ Landscape and Urban Planning, Pp 4812-4815.