پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,099,050 |
| تعداد دریافت فایل اصل مقاله | 97,206,640 |
استفاده از تصاویر سنجش از دور سنتینل 2 برای بهبود تفکیک پذیری محصولات زراعی با بهره گیری از روش های هوش مصنوعی به منظور مدیریت بهره برداری آب از مخازن سدها | ||
| اکوهیدرولوژی | ||
| مقاله 10، دوره 7، شماره 3، مهر 1399، صفحه 675-690 اصل مقاله (996.91 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2020.302618.1329 | ||
| نویسندگان | ||
| پویا احمدی1؛ حسین عارفی2؛ نازیلا کاردان* 3 | ||
| 1دانشجوی کارشناسی ارشد گروه مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران، تهران | ||
| 2دانشیار، گروه مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران، تهران | ||
| 3استادیار، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران | ||
| چکیده | ||
| محدودیت منابع آبی همواره از موانع اصلی توسعۀ بخش کشاورزی بهعنوان بستر اصلی نیل به خودکفایی مواد غذایی مطرح بوده است. یکی از کاربردهای مهم تصاویر سنجش از دور، در حوزۀ فعالیتهای کشاورزی است. در تحقیق حاضر از تصاویر ماهوارۀ سنتینل 2 برای تفکیک محصولات کشاورزی در محدودۀ شهرستان ارومیه بهصورت روشهای مبتنی بر ورودیهای چندزمانی استفاده شده است. به دلیل تغییرات طیفی محصولات طی دورۀ رشد، به‌کارگیری تصاویر چندزمانی مطابق با تقویم زراعی محصولات، نقش مهمی در تفکیک این محصولات ایفا میکند. در این طبقهبندی تمامی ورودیها دارای تأثیر یکسان در طبقهبندی در نظر گرفته میشوند که این امر خلاف واقعیت است. بنابراین، به منظور افزایش دقت طبقهبندی و بهبود نتایج، به هر یک از ورودیهای چندزمانی، وزن مناسبی باید اختصاص یابد که در پژوهش حاضر انتخاب وزنهای بهینه برای تمام ورودیها با بهرهگیری از الگوریتم ژنتیک مورد توجه قرار گرفته است. بهینه کردن طبقهبندی تصاویر ماهوارهای به روش کمترین فاصله توسط الگوریتم ژنتیک به دو حالت انجام یافته است؛ در حالت نخست تأثیر تعداد نرونهای لایۀ میانی و انتخاب پارامترهای بهینه برای شبکۀ عصبی و در حالت دوم، تأثیر ترتیب معرفی نمونههای آزمایشی بررسی شده است. در حالت نخست تعداد 4 تا 20 نرون برای لایۀ میانی و مقداری بین صفر و یک برای میزان آموزش و ضریب مومنتوم انتخاب و ارزیابی شده و در حالت دوم ترتیبهای مختلفی از معرفی نمونههای آموزشی ارزیابی شدهاند. نتایج نشان داد بهینه شدن ترتیب معرفی نمونههای آموزشی، موجب افزایش 5/4 درصدی در دقت محاسبات شده است. بنابراین، ترتیب معرفی نمونههای آزمایشی در مقایسه با سایر پارامترها، بیشترین تأثیر را در همگرایی شبکه و حصول به نتایج بهینه داشته است. همچنین، مقایسۀ دو طبقهبندی استاندارد و بهینه‌شده، نشان داد مقدار کاپا از 86 درصد در حالت استاندارد به مقدار 5/90 درصد در حالتی که ورودیها به صورت بهینه وزندهی شدهاند، افزایش یافته است. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ بهینه‌سازی؛ تصاویر سنجش از دور؛ شبکۀ عصبی مصنوعی؛ طبقهبندی | ||
| مراجع | ||
|
[1]. Boustani F, Mohammadi H. Studying productivity of and demand for water in sugar beet production in Eqlid district. Journal of Sugar Beet, 2007; 23(2): 185-196 (In Persian). [2]. Chizari A, Ghasemi A. Application of mathematical programming in determining the optimal pattern of crop cultivation. Agriculture Economic and Development, 2009; 28(7): 61-76 (In Persian). [3]. Feizizadeh B, Khedmatzadeh A, Nikjou MR. Micro-classification of orchards and agricultural croplands by applying object based image analysis and fuzzy algorithms for estimating the area under cultivation. Journal of Applied Researches in Geographical Sciences, 2020; 18(48): 201-216. [4]. Murakami T, Ogawa S, Ishitsuka N, Kumagai K, Saito G. Crop discrimination with multitemporal SPOT/HRV data in the Saga Plains, Japan. International journal of remote sensing, 2001; 22(7): 1335-1348. [5]. Quegan S, Thuy LT, Skriver H, Gomez-Dans J, Gonzalez-Sampedro MC, Hoekman DH. Crop classification with multi temporal polarimetric SAR data. Citeseer, 2003. [6]. Rucha D, Dipanwita H, Viral AD, Manjunath KR, Vyas P. Crop monitoring and classification using multi temporalpolarimetric SAR (RISAT-1) data for cotton and groundnut crops of Gujarat. Journal of agrometeorology, 2017; 19(Special Issue): 171-178. [7]. Solberg AHS, Jain AK, Taxt T. Multisource classification of remotely sensed data: fusion of Landsat TM and SAR images. IEEE Transactions on Geoscience and Remote Sensing, 1994; 32(4): 768-778. [8]. Chen KSH, Huang WP, Tsay DH, Amar F. Classification of multi frequency polarimetric SAR imagery using a dynamic learning neural network. IEEE Transactions on Geosciences and Remote Sensing, 1996; 34(3): 814-820. [9]. Panigrahy S, Chakraborty M, Sharma SA, Kundu N, Ghose SC, Pal M. Early estimation of rice area using temporal ERS-1 synthetic aperture radar dataذa case study for the Howrah and Hughly districts of West Bengal, India. International journal of remote sensing, 1997; 18(8): 1827-1833. [10]. Gower ST, Kucharik CJ, Norman JM. Direct and indirect estimation of leaf area index, f (APAR), and net primary production of terrestrial ecosystems. Remote Sensing of Environment, 1999; 70(1): 29-51. [11]. Aparicio N, Villegas D, Araus JL, Casadesús J, Royo C. Relationship between Growth Traits and Spectral Vegetation Indices in Durum Wheat. Crop Science, 2012; 42(5): 1547-1555. [12]. Verhoeye J, Wulf RD. Land cover mapping at sub-pixel scales using linear optimization techniques. Remote Sensing of Environment, 2002; 79(1): 96-104. [13]. Wang Q, Tenhunen JD. Vegetation mapping with multitemporal NDVI in North Eastern China transect (NECT). International Journal of Applied Earth Observation and Geoinformation, 2004; 6(1): 17-31. [14]. McNairn H, Brisco B. The application of C-band polarimetric SAR for agriculture: a review. Canadian Journal of Remote Sensing, 2004; 30(3): 525-542. [15]. Turker M, Arikan M. Sequential masking classification of multi-temporal Landsat 7 ETM+ images for field-based crop mapping in Karacabey, Turkey. International journal of remote sensing, 2005; 26(17): 3813-3830. [16]. Verbeiren S, Eerens H, Piccard I, Bauwens I, Orshoven JV. Sub-pixel classification of SPOT-VEGETATION time series for the assessment of regional crop areas in Belgium. International Journal of Applied Earth Observation and Geoinformation, 2008; 10(4): 486-497. [17]. Geipel J, Link J, Claupein W. Combined Spectral and Spatial Modeling of Corn Yield Based on Aerial Images and Crop Surface Models Acquired with an Unmanned Aircraft System. Remote Sens, 2014; 6(11): 10335-10355.
[18]. Feng Q, Liu J, Gong J. UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis. Remote Sens, 2015; 7: 1074-1094.
[19]. Ghazali M, Roozbahani A, Honar T, Mohammadi F. Ranking of scenarios for water allocation of Zayandeh Rud dam to different users using the expert multi attribute decision making models. Journal of Water and Irrigation Management, 2015; 5(1): 97-113.
[20]. Khodadadi SA, Yasi M, Monem MJ. Performance evaluation and optimization of water delivery schedule in the Zarinehroud irrigation network. Journal of Water and Irrigation Management, 2018; 7(1): 105-120.
[21]. Huo LZ, Boschetti L, Sparks AM. Object Based Classification of Forest Disturbance Types in the Conterminous United States. Remote Sensing, 2019; 11(5): 477-498.
[22]. Beisl U, Telaar J, Schonemrak MV. Atmospheric correction, Reflectance calibration and BRDF correction for ADS40 image data. The international archives of photogrammetric, Remote Sensing and information Sciences. Vol. XXXVII. Part B7, 2008.
[23]. Solaimani K, Shokrian F, Tamartash R, Banihashemi M. Landsat ETM+ based assessment of vegetation indices in highland environment. Journal of Advances in Developmental Research, 2011; 2(1): 5-13.
[24]. Prost C, Zerger A, Dare P. A multilayer feed-forward neural network for automatic classification of eucalyptus forests in airborne video imagery. International journal of remote sensing, 2005; 26(15): 3275-3293.
[25]. Zhuang X, Engel BA, Lozano-Garcia DF, Fernandez RN, Johannsen CJ. Optimization of training data required for neuro-classification. International journal of remote sensing, 1994; 15(16): 3271-3277.
[26]. Congalton RG. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 1991; 37(1): 35-46. | ||
|
آمار تعداد مشاهده مقاله: 805 تعداد دریافت فایل اصل مقاله: 497 |
||