تحلیل مقایسه ای کارایی رویکردهای کاهش بعد مبتنی بر PCA در بهبود دقت طبقه بندی محصولات باغی با استفاده از داده های چندمنبعی سنجش ازدور (مطالعه موردی: شهرستان بابل)

طبقه بندی دقیق محصولات باغی نقش مهمی در مدیریت منابع، پایش تغییرات پوشش گیاهی و افزایش بهره وری کشاورزی دارد. استفاده از داده های چندمنبعی سنجش ازدور، به ویژه تصاویر ماهواره ای سنتینل ۲ و لندست ۸، امکان استخراج اطلاعات مکانی و سری زمانی طیفی گسترده را فراهم می کند. در این پژوهش، کارایی رویکردهای کاهش بعد مبتنی بر تحلیل مولفه های اصلی (PCA) در طبقه بندی محصولات باغی شهرستان بابل بررسی شده است. تصاویر ماهواره ای با پوشش ابری کمتر از ۲۰٪ و بازه زمانی یکساله ۲۰۲۳ گردآوری و پیش پردازش شدند. بانک ویژگی های کاملی شامل باندهای اصلی و شاخص های طیفی در طول زمان بوده استخراج شده که در مجموع ۶۶۶ ویژگی برای هر نمونه ایجاد شد. برای کاهش بعد و بررسی تاثیر آن بر دقت طبقه بندی، PCA با سه سناریوی مختلف برای مولفه اصلی اعمال و طبقه بندی با الگوریتم جنگل تصادفی (RF) انجام شد. در نهایت از داده های واقعیت زمینی برای ارزیابی استفاده شد. اکثریت کلاس های باغی، به ویژه آلوچه، کیوی و خرمالو، با این سناریو با دقت بیشتری شناسایی شدند. یافته ها تاکید می کند که کاهش بعد بهینه داده ها توسط PCA، ضمن مدیریت ابعاد بالای ویژگی ها، اطلاعات تفکیک پذیرتری برای الگوریتم های یادگیری ماشین فراهم می کند و ترکیب داده های چندمنبعی با PCA رویکردی موثر برای طبقه بندی دقیق محصولات باغی است.

Keywords:

طبقه بندی , محصولات باغی , کاهش بعد , PCA