آنالیز تصاویر مرحله‌ای است که در آن داده‌ی تصویری تصحیح‌شده به اطلاعات قابل استفاده تبدیل می‌شود: سطح پوشش گیاهی، گستره‌ی آب، بافت شهری، نوع کاربری و میزان تغییر در طول زمان. کار از پیش‌پردازش آغاز می‌شود، با شاخص‌های طیفی و الگوریتم‌های طبقه‌بندی ادامه می‌یابد و با ارزیابی دقت پایان می‌یابد؛ بدون این گام پایانی، خروجی‌ها فقط تصویر‌هایی خوش‌نما هستند و مبنای تصمیم‌گیری نیستند. در این مرحله انتخاب روش بر پایه‌ی نوع عارضه، تفکیک‌پذیری تصویر، در دسترس بودن داده‌ی زمینی و پرسش نهایی پروژه انجام می‌شود. خروجی‌ها به‌صورت لایه‌های مکانی، جدول‌های آماری و نقشه‌های موضوعی تحویل می‌شوند و برای ورود به سامانه‌های GIS آماده‌سازی می‌گردند.
پیش‌پردازش و آماده‌سازی برای تحلیل
پیش از هر تحلیلی، صحنه‌ها باید هم‌مکان شوند؛ یعنی پیکسل‌های متناظر در تاریخ‌های مختلف با دقتی در حد کسری از پیکسل بر هم منطبق گردند. برش به محدوده‌ی مطالعاتی، ماسک‌گذاری ابر و سایه، حذف پیکسل‌های اشباع و یکسان‌سازی ضرایب مقیاس نیز در همین گام انجام می‌شود.
برای پوشش‌های بزرگ، چند صحنه به‌صورت موزائیک ترکیب و اختلاف رادیومتری میان آن‌ها تعدیل می‌شود؛ بدون این تعدیل، مرز صحنه‌ها در نقشه‌ی نهایی به‌صورت خط‌های کاذب ظاهر می‌شود. در تحلیل‌های چندزمانه، تبدیل همه‌ی تاریخ‌ها به بازتاب سطحی و انتخاب یک شبکه‌ی مکانی مشترک، شرط مقایسه‌ی درست است.
- هم‌مکانی دقیق تصاویر چندزمانه و بررسی جابه‌جایی باقی‌مانده.
- برش به مرز مطالعاتی و یکسان‌سازی اندازه‌ی پیکسل در همه‌ی لایه‌ها.
- ماسک‌گذاری ابر، سایه، برف و پیکسل‌های نامعتبر با روشی یکسان در همه‌ی تاریخ‌ها.
- تعدیل رادیومتری مرزهای موزائیک و تبدیل به بازتاب سطحی.
شاخص‌های طیفی و تفسیر آن‌ها
شاخص‌های طیفی نسبت‌های ساده‌ای میان باندها هستند که اثر روشنایی کلی سطح را کاهش می‌دهند و تفاوت رفتار طیفی پوشش‌ها را برجسته می‌کنند. شاخص تفاضل نرمال‌شده‌ی پوشش گیاهی از تفاضل باند مادون قرمز نزدیک و باند قرمز ساخته می‌شود و شاخص تفاضل نرمال‌شده‌ی آب از تفاضل باند سبز و مادون قرمز نزدیک؛ شاخص تفاضل نرمال‌شده‌ی ساخت‌وساز شهری از تفاضل باند مادون قرمز کوتاه‌موج و مادون قرمز نزدیک به دست می‌آید.
شاخص‌های اصلاح‌شده‌ی خاک با وارد کردن ضریب تنظیم خاک برای پوشش‌های گیاهی تُنُک و خاک‌های روشن مناسب‌ترند و شاخص بهبودیافته‌ی پوشش گیاهی با افزودن باند آبی، حساسیت کمتری به اثر جو و زمینه دارد. در پایش آتش~سوزی، شاخص تفاضل نرمال‌شده‌ی سوختگی تفاوت رفتار باند مادون قرمز کوتاه‌موج و نزدیک را در مناطق سوخته نشان می‌دهد.
- شاخص پوشش گیاهی: تفاضل باند مادون قرمز نزدیک و قرمز برای توده‌ی سبز.
- شاخص آب: تفکیک پهنه‌های آبی از خاک و پوشش گیاهی با باندهای سبز و مادون قرمز نزدیک.
- شاخص ساخت‌وساز: تفکیک سطوح ساخته‌شده با باند مادون قرمز کوتاه‌موج.
- شاخص اصلاح‌شده‌ی خاک: کاربرد در مناطق خشک و پوشش تُنُک.
- شاخص سوختگی: پایش آتش و برآورد گستره‌ی آتش‌سوزی.
طبقه‌بندی نظارت‌شده و نظارت‌نشده
در طبقه‌بندی نظارت‌شده، نمونه‌های تعلیمی از روی بازدید زمینی، تصاویر با تفکیک بالاتر یا تفسیر چشمی برداشت می‌شود و الگوریتم بر پایه‌ی آن‌ها مرزهای کلاس‌ها را می‌آموزد. جنگل تصادفی و ماشین بردار پشتیبان در تصاویر چندطیفی نتایج پایدارتری می‌دهند، در حالی که روش‌های کلاسیک مانند حداکثر درست‌نمایی ساده‌تر و قابل توضیح‌ترند.
در طبقه‌بندی نظارت‌نشده، الگوریتم‌هایی مانند میانگین‌گیری تفکیکی یا همبستگی خودکار گروه‌های طیفی را از خود داده می‌سازد و برچسب‌گذاری معنایی کلاس‌ها پس از اجرا انجام می‌شود. این روش برای کشف ساختار پوشش‌ها سودمند است، ولی شمار و مرز کلاس‌ها را نمی‌توان از پیش تعیین کرد.
در هر دو حالت، تفکیک نمونه‌های تعلیمی و آزمون الزامی است تا ارزیابی دقت بر داده‌ای انجام شود که الگوریتم ندیده است. تعداد نمونه‌ی هر کلاس باید متناسب با گستره و تنوع درونی آن باشد؛ کلاس‌های کم‌گستره با نمونه‌های اندک معمولاً ضعیف‌ترین نتایج را می‌دهند.
- انتخاب نمونه‌ی تعلیمی متوازن و مستقل از نمونه‌های آزمون.
- استفاده از باندهای اصلی، شاخص‌ها و لایه‌های کمکی به‌عنوان ویژگی‌های ورودی.
- پرهیز از برازش بیش‌از‌حد با محدود کردن شمار ویژگی‌ها و تنظیم پارامترها.
تحلیل شیء‌گرا و ادغام پیکسل‌ها
در تصاویر با تفکیک مکانی بالا، طبقه‌بندی پیکسل‌به‌پیکسل به دلیل تنوع درونی عارضه‌ها به نتایج پُرشبکه و ناپیوسته می‌انجامد. در تحلیل شیء‌گرا نخست تصویر به قطعه‌هایی با همگنی طیفی و مکانی تقسیم می‌شود و سپس هر قطعه با ویژگی‌های طیفی، هندسی، بافتی و مکانی خود طبقه‌بندی می‌گردد.
مقیاس قطعه‌بندی، وزن شکل و فشردگی از پارامترهای کلیدی این روش هستند و باید بر پایه‌ی اندازه‌ی عارضه‌های هدف تنظیم شوند، نه با مقدار پیش‌فرض. این رویکرد برای تفکیک واحدهای ساختمانی، قطعات کشاورزی، عارضه‌های خطی مانند راه و آبراهه و مرزهای ناهموار طبیعی مناسب‌تر از طبقه‌بندی پیکسلی است.
- تنظیم مقیاس قطعه‌بندی بر پایه‌ی کوچک‌ترین عارضه‌ی هدف.
- استفاده از ویژگی‌های هندسی مانند مساحت، فشردگی و نسبت طول به عرض.
- بهره‌گیری از بافت و روابط همسایگی برای تفکیک کلاس‌های طیفی مشابه.
ارزیابی دقت و اعتبارسنجی نتایج
ماتریس درهم‌ریختگی ابزار اصلی ارزیابی است و از آن دقت کلی، ضریب کاپا، صحت تولیدکننده، صحت کاربر و معیار‌های تعادل‌ی هر کلاس محاسبه می‌شود. صحت کاربر به پرسش «چند درصد از پیکسل‌های نسبت‌داده‌شده به یک کلاس واقعاً همان کلاس هستند» پاسخ می‌دهد و صحت تولیدکننده به پرسش معکوس؛ تفکیک این دو در گزارش‌دهی ضروری است.
نمونه‌های اعتبارسنجی باید از پایگاه داده‌ی مستقل و به‌صورت نمونه‌گیری طبق‌بندی‌شده انتخاب شوند تا کلاس‌های کم‌گستره نیز در ارزیابی نمایندگی داشته باشند. اگر دقت به حد مورد نیاز پروژه نرسد، مسیر اصلاح شامل افزودن داده‌ی تعلیمی، اصلاح کلاس‌ها، تغییر مجموعه‌ی ویژگی‌ها یا تفکیک کلاس‌های به‌هم‌پیوسته است.
- گزارش ماتریس درهم‌ریختگی همراه با معیار‌های هر کلاس، نه فقط دقت کلی.
- نمونه‌گیری طبق‌بندی‌شده و مستقل از نمونه‌های آموزش.
- ثبت نقاط کنترل زمینی با موقعیت‌یابی ماهواره‌ای برای اعتبارسنجی میدانی.
آشکارسازی تغییرات و پویش زمانی
در مقایسه‌ی پس از طبقه‌بندی، نقشه‌های کاربری دو تاریخ به‌صورت جدول انتقال مقایسه می‌شوند و نوع و جهت تغییر روشن می‌گردد؛ خطای طبقه‌بندی در این روش به‌صورت مضاعف در نتیجه اثر می‌گذارد. روش‌های مبتنی بر تصویر، مانند تفاضل شاخص‌ها یا تحلیل بردار تغییر در فضای باندها، حساسیت بیشتری به تغییرهای کوچک دارند اما تفسیر نوع تغییر را مشکل‌تر می‌کنند.
در پایش سری زمانی، شاخص‌ها پس از هموارسازی برای حذف نوسان‌های کوتاه‌مدت تحلیل می‌شوند و شاخص‌های فنولوژیک مانند آغاز، اوج و پایان فصل رشد و همچنین روند بلندمدت استخراج می‌گردد. برای اعلام معناداری روند، آزمون‌های آماری غیرپارامتری مناسب‌ترند و تفکیک تغییر تدریجی از جهش‌های ناگهانی بخشی از تفسیر است.
- یکسان‌سازی پیش‌پردازش و هندسه‌ی برداشت در همه‌ی تاریخ‌ها.
- هموارسازی سری زمانی و حذف نقاط پرت پیش از استخراج روند.
- استفاده از آزمون‌های معناداری برای تفکیک روند واقعی از نوسان طبیعی.
- تفسیر همزمان با داده‌های کمکی برای تمایز تغییر واقعی از خطای پردازش.
تلفیق با لایه‌های GIS
خروجی تحلیل تصویر زمانی ارزش کامل را پیدا می‌کند که با لایه‌های مکانی دیگر تلفیق شود. آماره‌گیری ناحیه‌ای، یعنی محاسبه‌ی میانگین و پراکندگی شاخص‌ها درون هر پلی‌گون، امکان مقایسه‌ی محدوده‌های مدیریتی، پارسل‌های کشاورزی یا حوزه‌های آبخیز را فراهم می‌کند.
ادغام رستری و برداری، اتصال جدول‌های توصیفی به عارضه‌های مکانی و بر‌هم‌نهادن لایه‌ها، مبنای تحلیل‌های مکانی و مدل‌سازی تناسب‌سنجی است. لایه‌های حاصل باید با سامانه‌ی مختصات، ساختار صفت و فراداده‌ی یکسان تحویل شوند تا در سامانه‌های WEB GIS بدون بازکاری قابل انتشار باشند.
جمع‌بندی
آنالیز تصویر زنجیره‌ای است که درستی هر گام، اعتبار گام بعدی را تعیین می‌کند؛ شاخص‌های دقیق روی تصویر ناهم‌مکان یا طبقه‌بندی بدون اعتبارسنجی، نتیجه‌ی قابل اتکا نمی‌دهند. تعیین روشن‌پرسش، کلاس‌ها، معیار پذیرش دقت و شکل نهایی تحویل، پیش از آغاز پردازش، از دوباره‌کاری جلوگیری می‌کند.
خروجی این مرحله لایه‌های مکانی ارزیابی‌شده، جدول‌های آماری و گزارش روش و محدودیت‌ها است که می‌تواند پایه‌ی پایش دوره‌ای یا ورودی مدل‌های یادگیری ماشین در گام‌های بعدی قرار گیرد.