اثرات خطا، اطلاعات قراين فضايي به همراه اطلاعات خود داده‌ها با استفاده از خوشه‌بندي اطلاعات محلي فازي دورباره تنظيم شده، افزوده گرديده است. (David, 2015)
ليانگ لي و همکاران (2015)، در پژوهشي براي بيان ارتباط بين تصاوير زماني- مکاني و چندزمانه و تغييرات آن‌ها، از روش جديدي بهره برده‌اند. آن‌ها براي بهبود بخشيدن به روش مقايسه پس از طبقه‌بنديPCC، از روابط زماني مکاني دو تصوير سنجش‌ازدور سنجنده Quick Bird در دو زمان متفاوت استفاده نموده‌اند. دو تصوير مربوط به سال‌هاي2002 و 2005 بوده که هرکدام داراي 4 باند طيفي با دقت 44/2 متر هستند. آن‌ها ابتدا پس از سگمنت‌سازي تصاوير با استفاده از روش بيشترين شباهت (KL) اقدام به طبقه‌بندي اوليه نموده و سپس با مدل شرطي مکرر، کلاس‌ها را در دو دسته بدون تغيير و داراي تغيير دسته‌بندي نمودند. نتيجه به‌دست‌آمده از اين روش، دقت بيشتري براي روش پيشنهادي و با کاهش قابل‌توجه مقدار خطا حاصل داده است. (Li. L, 2015)
ت. ليو و خ. يانگ (2015) براي نمايش دادن تغييرات ایجادشده در مترو پليس جورجيا، از تلفيق سنجش‌ازدور، سيستم اطلاعات جغرافيايي و همچنين معيارهاي چشم‌اندازهاي شهري استفاده نمودند. روند ايشان بر دو مورد صورت گرفت: طبقه‌بندي بر اساس روش‌های سنجش‌ازدور و ديگري بر اساس آناليزهاي GISي. همچنين استراتژي طبقه‌بندي تصوير همراه با طبقه‌بندي مجدد فضايي GISپايه با استفاده از تصاوير TM که در دو سال متفاوت اخذ گرديده بود، بکار بردند و براي کشف تغييرات از مقايسه پس از طبقه‌بندي و نيز اپراتورهاي GISپايه بهره بردند و معيارهاي الگوي شهري، طبيعت چشم‌انداز و نيز اندازه را براي تغييرات مورد آزمون قراردادند. اين طرح، مزيت تلفيق روش‌های سنجش‌ازدوري و GISي را براي کشف تغييرات در سطوح مختلف شهري و طبيعت نشان مي‌دهد. (Liu, 2015)
سامال و گدام19 (2015) براي ارزيابي تغييرات در مناطق شهري در نزديکي بستر رودخانه‌هاي هند، از تصاوير چندطيفي Landsat و IRS براي سال‌هاي1992 تا 2009 بهره بردند. اساس روش آن‌ها به‌صورت طبقه‌بندي شی‌ءگرا بوده که با روش GIS-پايه تغييرات شهري را استخراج نمودند. نتايج حاصله افزايش ساخت‌وسازهای شهري را با دقت 7/92% نشان داده است. (Zewdie, 2015)
الکساندراويچ و همکاران (2014) براي توليد نقشه تغييرات پوشش در کشورهاي اتحاديه اروپا با استفاده از الگوريتم‌هاي آشکارسازی تغييرات اقدام نمودند. بدين منظور از تصاوير با قدرت تفکيک بالا، Quick Bird، Ikonos، GeoEye استفاده نمودند که بر اساس چهار روش تغييرات را به دست آورند. عبارت‌اند از: لايه محاسباتي؛ تفاضل شاخص پوشش گياهي (NDVI)؛ محاسبات بافت و روش‌های بر پایه تحليل همبستگي متعارف.
فورکو و فريمپونگ (2014) از آشکارسازی تغييرات براي تحليل پوشش جنگلي استفاده نمودند. روش مورداستفاده در آشکارسازی، مقايسه پس از طبقه‌بندی به‌صورت نظارت‌شده و نيز شاخص پوشش گياهي بوده است که براي دو دوره زماني 1986 تا 2002 و نيز 2002 تا 2007 صورت پذيرفته است. نتايج حاصله نشان داد پوشش جنگلي به‌صورت قابل‌توجهی کاهش يافته است که اين کاهش به دليل دست‌کاری انسان در طبيعت اتفاق افتاده است. (Forkuo, E. K., & Frimpong, A. (2012).)
سبودي و همکاران (2014) براي آشکارسازی تغييرات با استفاده از تصاوير چندزمانه- چندطيفي به‌صورت نظارت‌نشده الگوريتم جديدي به‌صورت خوشه‌بندي فازي قرايني- فضايي20 گسترش داده‌اند. اين الگوريتم از مزاياي سه متدولوژي برخوردار است: مدل RMF، خوشه‌بندي قرايني-فازي و VSN برپايه الگوريتم بهينه‌سازي. ايشان اين روش را بر روي تصاوير SPOT براي سال‌هاي2003 تا 2006 و تصاوير IRS و نيز TM پياده نمودند. روش پيشنهادي از ميدان تصادفي مارکوف گيبس فازي (GMRF) براي مدلسازي درجات خاکستري تصاوير تفاضلي چندطيفي استفاده مي‌کند. مسئله تغييرات با ماکزيمم احتمال استقرائي(MAP) اصول تخمين حل مي‌شود. با پياده‌سازي الگوريتم پيشنهادي بر روي سه نوع ديتاي مذکور و مقايسه آن با روش Hopefield-Type شبکه عصبي و نيز MRFFCM، روش اين الگوريتم از خطاي کمتري نسبت به دو مورد مذکور برخوردار گرديد. (Subudhi, 2014)
ژو و همکاران (2014) براي بررسي تغييرات پوشش سبز در شهر، آنالیز فضايي چند سطحي را با استفاده از الگوريتم‌هاي آشکارسازی تغييرات با تصاوير سنجش‌ازدوري چند باندي انجام دادند. آن‌ها با تمرکز بر روي روش آشکارسازی شی‌ءگرا و الحاق اطلاعات فضايي و طيفي، تغييرات را حاصل نمودند. آنالیز در سه مرحله صورت پذیرفت: آ) آنالیز فضايي در سطح پيکسل، ابتدا با افزودن دامنه تراکم به فضاي ترکيبي براي طبقه‌بندي به‌منظور نشان دادن همبستگي بين پيکسل‌ها صورت پذيرفت. ب) آنالیز فضايي در سطح عضو، توسط مورفولوژي تطبيقي به‌منظور حذف کلاس‌های نادرست انجام شد. ج) آنالیز در سطح شي، توسط مورفولوژي تطبيقي شامل با نقش‌هاي مضاف مرزهاي مشترک بدست آمد. آنالیز مرحله سوم باعث تشخيص تغييرات نادرست مي‌شود. (Zhou, 2014)
م.ک. کيم و همکاران (2014) براي تغييرات پوشش گياهي در پارک ملي آکادياي آمريکا، از شاخص‌هاي پوشش گياهي سه‌گانه (NDVI، SAVI، TVI) استفاده نموده‌اند. (Kim, 2014)
شوارت و همکاران (2013) براي حل مسئله وقت‌گير بودن روش‌های به هنگام‌سازي نقشه تغييرات، روش جديد نيمه اتوماتيک با استفاده از روش SVM را گسترش دادند که نتايج حاصل از آن با دقت بيشتري همراه بود. بدين منظور، براي به‌هنگام‌سازي تغييرات در ماساچوست از تصاوير TM لندست استفاده نمودند. نتايج براي روش دستي با دقت 78% و براي روش SVM حدود 99% حاصل گرديد. در روش نيمه‌اتوماتيک کلاس‌ها به‌صورت باينري، باتغيير و بدون تغيير، طبقه‌بندي گرديد که معادلات مورداستفاده به‌صورت خطي، دو جمله‌اي و چندجمله‌ای انتخاب شده بودند. همچنين در روش طبقه‌بندي دستي از تبديل KT21 براي بدست آوردن کلاس‌ها استفاده گرديد. (Schwert, 2013)
جين و همکاران (2013) براي بروز رساني تغييرات در ديتابيس پوشش زمين ملي (NLCD) امريکا، که تا سال 2006 اين کار انجام پذيرفته بود، از روش جديدي بهره جسته‌اند. روش آشکارسازی تغييرات جامع (CCDM) به‌صورت کليدي طراحي گرديده و دو روش الگوريتم آشکارسازی طيف-پايه را بر اساسMulti-Index Integrated Change Analysis و مدل جديد تغيير بنام Zone را که از جفت تصوير Landsat متفاوت اتخاذ مي‌کند، ادغام مي‌نمايد. همچنين مدل CCDM شامل سيستمي دانش‌پايه مي‌باشد که تغييرات گذشته و جاري را با استفاده از بيشترين شباهت حاصل مي‌دهد. اين مدل، بسيار ساده براي اجرا بسيار آسان بوده که کاربرد وسيعي را داشته است. (Jin, 2013)
مارکوگياني22 و همکاران (2012) تکنيک‌هاي سنجش‌ازدور را براي تشخيص وضعيت پوشش گياهي و پوشش زمين و مقايسه آن در دوره‌هاي مختلف به‌کار برده و از شاخص پوشش گياهي (NDVI) و نيز طبقه‌بندي تصاوير با استفاده از روش نظارت‌نشده Iso-Data و K-means بدین منظور استفاده کرده‌اند که تصاوير Spot و Landsat 7 براي حصول نتايج بهره برده شد. (Markogianni, 2013)
کومر23 و همکاران (2012) براي آشکارسازی تغييرات اراضي کشاورزي با استفاده از تصاوير Landsat 7 در منطقه ولور هندوستان، بر اساس دانش‌پايه اقدام نمودند و از روش خطي طبقه‌بندي SVM24 و K-Means بهره بردند. تصاوير دوره‌اي براي سال‌هاي2003، 2007 و 2009 با Matlab و روش منطقي طبقه‌بندي گرديد که در حقيقت با روش SVM به پيش‌بيني تغييرات در آينده پرداختند. نتايج حاصله نشان داد پوشش سبز مابين سال‌هاي2002 و 2007 افزايش يافته اما از سال 2007 تا 2009 با کاهش پوشش سبز مواجه بوده که علت آن، افزايش جمعيت در اين ناحيه مي‌باشد. اين نتايج با بررسي تبديل تصاوير به‌صورت RGB حاصل گرديده که دو باند ديگر، آبي و قرمز، تغييرات ايجاد شده در فعاليت‌هاي انسان را در منطقه نشان مي‌دهد. (Kumar, 2012)
الکاوي و همکاران (2011) براي آشکارسازی تغييرات در محدوده مطالعاتي، حوضه غربي رودخانه نيل در مصر، از چهار دوره زماني تصاوير لندست بهره برده و با استفاده از روش طبقه‌بندي نظارت‌شده به انجام اين امر مبادرت نموده‌اند که براي افزايش دقت اين روش، تفسير بصري تصاوير لندست نيز را بکار برده‌اند و با دقت 96% نتايج حاصل از طبقه‌بندي با روش مقايسه تغييرات بدست آمد(El-Kawy, Rød et al. 2011).
خال و همکاران (2008) از آشکارسازی تغييرات به‌صورت چندمتغيره استفاده نمودند که داده‌هاي مرکب با دوره 2 روزه تصاوير SPOT را به‌صورت تمام‌بعدي (زماني و طيفي) با دقت يک کيلومتري و شاخص گياهي NDVI را بدين منظور بکار بردند. ايشان براي طبقه‌بندي تصاوير از الگوريتم نظارت‌نشده IsoData بهره برده‌اند. همچنين نتايج طبقه‌بندي را با امضاي طيفي پوشش گياهي در جاهاي مختلفي از سرتاسر جهان براي شناسايي بهتر پوشش گياهي مرتبط نمودند تا نتايج حاصله از دقت بهتري برخوردار بوده و نقشه نمايشي تفسير بهتري را ارائه نمايد. (Bie, 2008)
ريس. س (2008) از فناوري سنجش‌ازدور و GIS براي استخراج تغييرات پوشش زمين در ناحيه ريز، شمال شرقي ترکيه، استفاده نموده است. بدين منظور، ايشان ابتدا تصاوير سنجنده Landsat مربوط به سال‌هاي1976 تا 2000 را با استفاده از داده‌هاي آموزشي که از تصاوير هوايي سال‌هاي1973 تا 2003 استخراج نموده، با روش ML طبقه‌بندي نموده است. سپس با آشکارسازی تغييرات به‌صورت پيکسل به پيکسل به اين مهم اقدام نموده است. درنهایت با استفاده از ساختارهاي توپوگرافي (شيب و ارتفاع) حاصله از روش‌های GISي تغييرات را تفسير نموده است. نتايج رشد نواحي کشاورزي و شهري را نشان مي‌دهد. (Reis, 2008)
جانگو اين و همکاران در سال 2005، با استفاده از داده‌هاي ADAR 5500 سنجش‌ازدوري اقدام به آشکارسازی تغييرات در يک ناحيه مسکوني نمودند. داده‌هاي مربوطه براي سال‌هاي1999 و 2000 گردآوري شده بود که هرکدام از تصاوير داراي 4 باند طيفي مي‌بودند. براي پیاده‌سازی روش، 800 نقطه انتخابي از طريق تفسير بصري به الگوريتم معرفي نموده و کلاس‌ها را رديف نمودند. اساس کار بر روي اطلاعات قرايني موجود در دو تصوير (شيب، همبستگي و برخورد مابين همسايگي، …) بوده و تغييرات را با روش 25NCI استخراج نمودند که براي شعاع 1 پيکسلي و 5 پيکسلي در همسايگي طبقه‌بندي و آشکارسازی صورت پذیرفت. نتايج حاصل نشان داد دقت کلي براي طبقه‌بندي بدون استفاده از NCI برابر با 33/87% و براي طبقه‌بندي با استفاده از روش NCI براي شعاع يک پيکسل برابر 33/92% و براي شعاع 2 تا 5 پيکسل دقتي برابر با 92 تا 95% حاصل شد. (Im, 2005)
و. والتر (2003) از داده‌هاي GISي موجود در ديتابيس منطقه موردمطالعه خود، به‌صورت شی‌ءگرا اقدام به طبقه‌بندي تصاوير نموده که طبقه‌بندي بر اساس روش نظارت‌شده و الگوريتم بيشترين شباهت صورت پذيرفته است که طبقه‌بندي از دقت قابل قبولي برخوردار بوده است. (Walter, 2004)
بربيگول و همکاران (2003) براي آشکارسازی تغييرات ايجاد شده در سواحل شرقي درياي مديترانه براثر انجام کشاورزي در پيرامون آن، با استفاده از تکنيک‌هاي سنجش‌ازدوري اقدام نمودند. عمليات با استفاده از عکس‌هاي هوايي گرفته‌شده در سال 1976 و نيز تصاوير سنجنده IKONOS در سال 2003 صورت پذيرفت. طبقه‌بندي با تلفيق بافت عکس‌هاي هوايي و اطلاعات طيفي تصاوير و عمليات آماري با ماتريس کوواريانس و واريوگرام بدست آمده از طبقه‌بندي داده‌هاي مورداستفاده انجام گرفت. نتايج حاصل از واريوگرام حدود %3/11 دقت بيشتري دارا بود. (Alphan & Yilmaz, 2003)
مواد و روش‌ها
مواد
براي منطقه زراعي از کشت و صنعت مغان، داده‌هاي متنوعي تهيه شده است و از نظر منبع داده در دسته‌هاي ذيل جمع‌آوری گرديده‌اند:
نقشه محدوده‌هاي زراعي مورداستفاده
يکي از ملزومات به انجام رسانيدن اين مهم، در دست داشتن محدوده‌هاي زراعي اين منطقه مي‌باشد که از شرکت کشت و صنعت و دام‌پروری تهيه گرديده و GISReady بر روي اين نقشه صورت پذيرفته است. اين نقشه پارسل‌هاي زراعي را نشان مي‌دهد. نقشه زير نمونه
