طبقه بندی کاربری اراضی کشاورزی با استفاده از تصاویر ماهواره ای سنتینل و شبکه عصبی پیچشی سه بعدی عمیق (مطالعه موردی: شهرکرد)

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-۲) و رادار با روزنه مجازی (سنتینل-۱) 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 ۵۰ بار اجرا داده­های آموزشی و ارزیابی متنوع، به­طور میانگین ۶/۹۱% محاسبه شده است. اتصالات فرار طراحی شده، سبب افزایش دقت طبقه­بندی هر کاربری شده و دقت نهایی طبقه­بندی را ۲% 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 ۲.۴ درصدی، عملکرد بهتری از خود نشان داد.

Keywords:

سنجش از دور , شبکه عصبی کانولوشن , یادگیری عمیق , کاربری اراضی کشاورزی , تصاویر ماهواره ای سنتینل