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.

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