[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 11، شماره 1 - ( 6-1400 ) ::
دوره 11 شماره 1 صفحات 142-129 برگشت به فهرست نسخه ها
ارائه روش طبقه بندی مبتنی بر یادگیری عمیق در تفکیک انواع محصولات کشاورزی با استفاده از تصاویر ماهواره ای سری زمانی
ناهید پورحسن، رضا شاه حسینی*، سید تیمور سیدی
چکیده:   (206 مشاهده)
کسب آگاهی و دانش در رابطه با الگوی کشت و سطح زیر کشت نقش مهمی را در مدیریت اراضی کشاورزی و برآورد میزان تولید خالص ایفا می­کند. ترکیب نتایج حاصل از مشاهدات و اندازه­گیری­های زمینی با داده­های سنجش از دور می­تواند نقشه­های به­هنگام از سطح زیر کشت محصولات ارائه نماید. این امر برای تعریف واحدهای مدیریت و رسیدن به اطلاعات دقیق مورد نیاز کشاورزان و برنامه­ریزان ارزشمند است. اکثر روش­های مورد استفاده به منظور تفکیک محصولات کشاورزی، در مواردی که الگوی کشت محصولات مختلف مانند گندم و جو، شباهت زیادی داشته باشند، عملکردی مناسبی ندارند. لذا هدف از این مقاله ارائه روش طبقه بندی مبتنی بر یادگیری عمیق بر روی تصاویر سری زمانی ماهواره­ای برای تولید نقشه سطح زیر کشت دقیق انواع محصولات کشاورزی با شباهت فنولوژیکی بالا می­باشد. به این منظور تصاویر سری زمانی ماهواره Landsat7 بر اساس تقویم زراعی منطقه انتخاب شدند. با استفاده از شاخص تفاضلی نرمال شده پوشش گیاهی (NDVI) بصورت سری زمانی و یک مجموعه داده آموزشی از مزارع کشاورزی مختلف، از شبکه عصبی کانولوشنی (CNN)  برای تولید خودکار نقشه محصول در منطقه چناران واقع در استان خراسان شمالی استفاده شد. جهت تفکیک محصولات در این مطالعه، از تلفیق طبقه بندی نظارت شده و تصحیح بصری استفاده شده است. به منظور برآورد صحت نتایج، نقشه­های تولید شده با نقاط کنترل زمینی بررسی شد و ضریب کاپا و دقت کلی محاسبه شد. نتایج نشان داد که استفاده از داده­های سری­زمانی ماهواره­ای کارایی بالایی برای شناسایی و تفکیک انواع محصولات کشاورزی دارند. همچنین روش طبقه­بندی ارائه شده مبتنی بر شبکه عصبی کانولوشنی با دقت کلی 95.76 دقت بالاتری نسبت به سایر روش­های مرسوم از جمله روش­های جنگل تصادفی (دقت کلی: 89.85)، ماشین بردار پشتیبان (دقت کلی: 88.78)، شبکه عصبی پرسپترون (دقت کلی: 85.75) و K نزدیکترین همسایگی (دقت کلی: 89.60)، در تفکیک و شناسایی محصولات کشاورزی دارد. ایﻦ اﻃﻼﻋﺎت ﺑﺮای ﺑﺮﻧﺎﻣﻪ­ریﺰی­ﻫـﺎی ﮐﻼن ﻣﻨﻄﻘﻪ­ای در ﻗﺎﻟﺐ ﺗﺪویﻦ اﻟﮕﻮی ﮐﺸﺖ، تعیین میزان نیاز کشور به واردات محصولات کشاورزی، برنامه­ریزی جهت توسعه صادرات محصولات کشاورزی مازاد بر نیاز کشور و ﺗﻮﺳﻌﻪ ﻣﮑﺎﻧﯿﺰاﺳﯿﻮن در سطح کلان مدیریتی ﺑﺴﯿﺎر ﻣﻔﯿﺪ ﻣﯽ­ﺑﺎﺷﻨﺪ.
واژه‌های کلیدی: تفکیک محصولات کشاورزی، سنجش از دور، Landsat7، شاخص تفاضلی نرمال شده(NDVI) شبکه عصبی کانولوشنی(CNN)
متن کامل [PDF 1986 kb]   (73 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری و سنجش از دور
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Pourhasan N, Shah-Hosseini R, Seydi S T. Deep Learning-based Classification Method for Crop Mapping Using Time Series Satellite Images. JGST. 2021; 11 (1) :129-142
URL: http://jgst.issge.ir/article-1-938-fa.html

پورحسن ناهید، شاه حسینی رضا، سیدی سید تیمور. ارائه روش طبقه بندی مبتنی بر یادگیری عمیق در تفکیک انواع محصولات کشاورزی با استفاده از تصاویر ماهواره ای سری زمانی. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1400; 11 (1) :142-129

URL: http://jgst.issge.ir/article-1-938-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 1 - ( 6-1400 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology