طبقهبندی کاربری اراضی کشاورزی با استفاده از تصاویر ماهوارهای سنتینل و شبکه عصبی پیچشی سهبعدی عمیق (مطالعه موردی: شهرکرد) | ||
| تحقیقات آب و خاک ایران | ||
| دوره 52، شماره 7، مهر 1400، صفحه 1941-1953 اصل مقاله (1.16 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2021.320850.668956 | ||
| نویسندگان | ||
| علیرضا طاهری دهکردی* 1؛ محمد جواد ولدان زوج2 | ||
| 1گروه سنجش از دور و فتوگرامتری، دانشکده مهدسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران | ||
| 2استاد گروه فتوگرامتری و سنجش از دور- دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| چکیده | ||
| کشاورزی به عنوان عامل محرک رشد و توسعه اقتصادی در کشورهای مختلف دنیا شناخته شده است. در این بین تولید نقشههای سطح زیرکشت بهواسطه طبقهبندی کاربری اراضی کشاورزی با استفاده از تصاویر سنجش از دوری، یکی از راهکارهای موثر در تصمیمگیریهای کلان این حوزه و تامین امینت غذایی جامعه بهشمار میرود. در این پژوهش اراضی کشاورزی با استفاده از تصاویر چندزمانه نوری (سنتینل-2) و رادار با روزنه مجازی (سنتینل-1) به کاربری مختلف محصولات کشاورزی پاییزه و بهاره (شامل گندم، جو، ذرت، یونجه، سیبزمینی و چغندقند) طبقهبندی شد. کلیه مراحل مربوط به آمادهسازی تصاویر ماهوارهای، در سامانه برخط گوگل ارث انجین انجام پذیرفته است. جهت طبقهبندی نیز، از شبکه عصبی پیچشی عمیق سهبعدی با ساختاری نوین استفاده گردید. شبکه طراحی شده، علاوه بر استفاده از کرنلهای سهبعدی با امکان استخراج همزمان اطلاعات همسایگی و زمانی هر پیکسل، از اتصالات فرار لایههای قبلی بهره برده است. این اتصالات فرار، برخلاف شبکههای پیچشی معمولی پیشخور، سبب استفاده از خروجی لایههای پیچشی قبلی در لایههای جدید میشوند. شبکه طراحی شده بهکمک دادههای واقعیت زمینی بدست آمده از بازدیدهای میدانی وسیع از منطقه مطالعاتی واقع در شهر شهرکرد بهصورت انتها-به-انتها مورد آموزش و ارزیابی قرار گرفته است. پس از تقسیمبندی دادههای واقعیت زمینی به دو دسته آموزشی و ارزیابی، ارزیابی شبکه طی 50 بار اجرا دادههای آموزشی و ارزیابی متنوع، بهطور میانگین 6/91% محاسبه شده است. اتصالات فرار طراحی شده، سبب افزایش دقت طبقهبندی هر کاربری شده و دقت نهایی طبقهبندی را 2% افزایش دادند. روش ارائه شده با دو نوع زمانی و زمانی-مکانی روشهای جنگل تصادفی و ماشین بردار پشتیبان نیز مورد مقایسه قرار گرفت که با اختلاف حداقل 2.4 درصدی، عملکرد بهتری از خود نشان داد. | ||
| کلیدواژهها | ||
| سنجش از دور؛ شبکه عصبی کانولوشن؛ یادگیری عمیق؛ کاربری اراضی کشاورزی؛ تصاویر ماهواره ای سنتینل | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,818 تعداد دریافت فایل اصل مقاله: 1,141 |
||