نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشگاه ملایر

2 استادیار مرکز مطالعات سنجش از دور و GIS، دانشکدة علوم زمین، دانشگاه شهید بهشتی

3 استادیار مرکز مطالعات سنجش از دور و GIS، دانشگاه شهید بهشتی

4 استاد مرکز مطالعات سنجش از دور و GIS، دانشگاه شهید بهشتی

5 دانشیار مرکز سنجش از دور، دانشکده علوم زمین، دانشگاه شهید بهشتی

10.52547/gisj.2022.224867.1067

چکیده

تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتا کوتاه، عدم همزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات مختلف در برخی از زمانهای دوره کشت و کمبود داده‌های زمینی، طبقه‌بندی محصولات زراعی در تصاویر ماهواره ای را به کاری چالش برانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی در طول فصل رشد، از برجسته ترین ویژگی پوشش‏‌های گیاهی از جمله محصولات کشاورزی است که می تواند با استفاده از سری زمانی شاخص های گیاهی که اطلاعات بسیار مفیدی از توالی ویژگیهای فنولوژیک محصولات کشاورزی را در اختیار ما قرار می دهند، مورد نظارت قرار گیرد. استفاده از روشهای یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری ها می‌تواند در طبقه بندی محصولات کشاورزی و کاهش وابستگی به داده های زمینی مفید باشد. شبکه Long-Short Term Memory(LSTM) یکی از انواع شبکه های عصبی بازگشتی در تجزیه و تحلیل داده های متوالی است که توانایی یادگیری توالیهای بلند مدت در سری زمانی را دارد. بنابراین در این مطالعه، پس از محاسبه شاخص NDVI از باندهای ماهواره سنتینل-2 در 9 تاریخ مختلف و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیه مختلف در دشت مغان که نوع محصولات کشت شده در آن‌ها طی عملیات زمینی برداشت شده بود، در نظر گرفته شد که در ناحیه اول، شبکه کانولوشنی LSTM، برای طبقه بندی محصولات، آموزش دیده و در ناحیه دیگر، کارایی این شبکه آموزش دیده در طبقه بندی محصولات، مورد ارزیابی قرار گرفت و دقت کلی 82 درصد و ضریب کاپای 8/0 به دست آمد. روش مورد استفاده را افزایش دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Employing the Convolutional LSTM Network in Crop Classification using NDVI Time Series

نویسندگان [English]

  • Mohammad Reza Gili 1
  • Davoud Ashourloo 2
  • Hossein Aghighi 3
  • Ali Akbar Matkan 4
  • Alireza Shakiba 5

1 Malayer University

2 Assistant Prof. of R.S. & GIS Research Center, Shahid Beheshti University

3 Assistant Professor in Remote Sensing, Remote Sensing and GIS Research Center

4 Professor in Remote Sensing, Remote Sensing and GIS Research Center

5 Associate Professor of Remote Sensing Center, Faculty of Earth Sciences, Shahid Beheshti University

چکیده [English]

Changes in crop growth at relatively short intervals, asymmetry of cultivation of similar crops, the spectral similarity between different crops at certain times of the growing season, and lack of ground data make classifying crops in satellite imagery a challenging task. Changing the amount of canopy and greenness during the growing season is one of the most prominent characteristics of vegetation, including agricultural products, which can be monitored by using time series of vegetation indices that have useful information about the sequence of phenological features of crops. The use of deep learning methods with the ability of learning sequential information obtained from these time series can be useful in crop mapping and reducing dependence on ground data. The LSTM network is one of the types of RNNs in sequential data analysis that has the ability to learn long-term sequences of time-series information. Therefore, in this study, after extracting the NDVI time-series of 9 different dates from Sentinel-2 satellite images for a region located in Moghan plain, with ground labeled data related to the type of crops cultivated, we trained a convolutional LSTM network. Then we used this trained network to classify agricultural products in another region of the plain as a test site, and achieved an overall accuracy of 82% and a kappa coefficient of 0.8. Increasing the number of ground samples and selecting the exact boundary of crops, can increase the efficiency of the method used.

کلیدواژه‌ها [English]

  • Deep Learning
  • LSTM
  • NDVI time-series
  • Sentinel-2
  • Crop classification