محمدرضا گیلی - دانشگاه ملایر
داود عاشورلو - استادیار مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی
حسین عقیقی - استادیار مرکز مطالعات سنجش از دور و GIS، دانشگاه شهید بهشتی
علی اکبر متکان - استاد مرکز مطالعات سنجش از دور و GIS، دانشگاه شهید بهشتی
علیرضا شکیبا - دانشیار مرکز سنجش از دور، دانشکده علوم زمین، دانشگاه شهید بهشتی

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 داده های زمینی، طبقه بندی 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 پوشش های 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 می تواند 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-۲ در ۹ تاریخ مختلف و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیه مختلف در دشت مغان که نوع محصولات کشت شده در آن ها 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 ۸۲ درصد و ضریب کاپای ۸/۰ به دست آمد. روش مورد استفاده را افزایش دهد.

یادگیری عمیق, حافظه کوتاه مدت بلند, سری زمانی NDVI, سنتینل-۲, طبقه بندی محصولات کشاورزی