محمدرضا گیلی؛ داود عاشورلو؛ حسین عقیقی؛ علی اکبر متکان؛ علیرضا شکیبا
چکیده
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهمزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمانهای دورة کشت و کمبود دادههای زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالشبرانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجستهترین ویژگی ...
بیشتر
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهمزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمانهای دورة کشت و کمبود دادههای زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالشبرانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجستهترین ویژگی پوششهای گیاهی ازجمله محصولات کشاورزی است که میتوان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخصهای گیاهی انجام میشود که اطلاعات بسیار مفیدی از توالی ویژگیهای فنولوژیک محصولات کشاورزی در اختیار ما قرار میدهد. استفاده از روشهای یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سریها میتواند، در طبقهبندی محصولات کشاورزی و کاهش وابستگی به دادههای زمینی، مفید باشد. شبکةLong-Short Term Memory (LSTM) یکی از انواع شبکههای عصبی بازگشتی در تجزیه و تحلیل دادههای متوالی است که توانایی یادگیری توالیهای بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبة شاخص NDVI از باندهای ماهوارة سنتینلـ 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیة متفاوت در دشت مغان در نظر گرفته شد که محصولات کشتشده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیة اول، شبکة کانولوشنی LSTM برای طبقهبندی محصولات آموزش دید و در ناحیة دیگر، کارآیی این شبکة آموزشدیده در طبقهبندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 بهدست آمد. افزایش تعداد نمونههای زمینی و انتخاب مرز دقیق محصولات، میتواند کارایی روش مورد استفاده را افزایش دهد.