طبقه بندی کاربری اراضی کشاورزی با استفاده از تصاویر ماهواره ای سنتینل و شبکه عصبی پیچشی سه بعدی عمیق (مطالعه موردی: شهرکرد)
عنوان مقاله: طبقه بندی کاربری اراضی کشاورزی با استفاده از تصاویر ماهواره ای سنتینل و شبکه عصبی پیچشی سه بعدی عمیق (مطالعه موردی: شهرکرد)
شناسه ملی مقاله: JR_IJSWR-52-7_017
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_IJSWR-52-7_017
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
علیرضا طاهری دهکردی - گروه سنجش از دور و فتوگرامتری، دانشکده مهدسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران
محمد جواد ولدان زوج - استاد گروه فتوگرامتری و سنجش از دور- دانشگاه صنعتی خواجه نصیرالدین طوسی
خلاصه مقاله:
علیرضا طاهری دهکردی - گروه سنجش از دور و فتوگرامتری، دانشکده مهدسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران
محمد جواد ولدان زوج - استاد گروه فتوگرامتری و سنجش از دور- دانشگاه صنعتی خواجه نصیرالدین طوسی
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.
کلمات کلیدی: سنجش از دور, شبکه عصبی کانولوشن, یادگیری عمیق, کاربری اراضی کشاورزی, تصاویر ماهواره ای سنتینل
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1658746/