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

استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش‌بینی مناطق ساخته شده شهری در دهه‌های اخیر توسعه یافته است. مهم‌ترین گام در پیش‌بینی رشد مناطق شهری، استخراج ویژگی‌های سطح شهر با دقت و صحت بالا و مهم‌ترین چالش در این راه پیچید‌گی عوارض شهری و مسئله پیکسل‌های مخلوط است. هدف از این تحقیق استفاده از مدل‌های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش‌بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سال‌های؛ 0991 (سنجنده TM)، 2002 (سنجنده +ETM) و5102 (سنجنده OLI/TIRS) و روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه‌های کسری پوشش به عنوان لایه‌های ورودی و عضوهای پایانی به عنوان نمونه‌های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه‌بندی‌کننده استفاده شد؛ که در نتیجه صحت کلی بالای 99%و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش‌بینی 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 طبقه‌بندی سال 5102 ، ضریب کاپای 29%،کاپای استاندارد 98%  و کاپای طبقه‌ای (برای طبقه ساخته شده) 39%، را نشان داد. مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش‌بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.