|
تعین سطح زیرکشت اراضی برنج با بکارگیری روش یادگیری ماشین و با استفاده همزمان از تصاویر ماهواره ای اپتیک و رادار با روزنه مجازی (مطالعه موردی : شهرستان بابل)
|
روح الله گودرزی   ، علی رمضان نژاد، محمودرضا صاحبی* |
|
|
|
چکیده: (9 مشاهده) |
برنج یکی از محصولات کلیدی کشاورزی در ایران و جهان است و پایش دقیق سطح زیرکشت آن، بهویژه تفکیک زمینهای تککشت از دوکشت، نقشی حیاتی در مدیریت منابع آب و برنامهریزی تولید دارد. استان مازندران بهعنوان قطب تولید برنج کشور، به دلیل پراکندگی مکانی مزارع و شرایط متنوع محیطی، نیازمند روشهای نوین برای پایش اراضی کشاورزی است. در این پژوهش، چارچوبی نوین مبتنی بر ترکیب شبکههای عمیق پیچشی (CNN) و بازگشتی (RNN) توسعه داده شد که در دو سطح به شناسایی اراضی برنج و تفکیک الگوهای تککشت/دوکشت میپردازد. در گام نخست، بهمنظور شناسایی اراضی برنج شهرستان بابل، از معماری شبکهی عصبی U-Net استفاده شد. این مدل در دو سناریو آموزش یافت: (۱) تنها با دادههای اپتیکی سنتینل-2 و (۲) با ترکیب دادههای اپتیکی و راداری (سنتینل-2 و سنتینل-1). نتایج حاصل از آزمایشها نشان داد که مدل مبتنی بر دادههای اپتیکی سنتینل-2 با صحت کلی 35/96% و امتیاز F1 برابر با 957/0 ارزیابی شد. در حالیکه انتظار میرفت ترکیب دادههای اپتیکی–راداری موجب بهبود نتایج شود، اما در منطقهی مطالعه بهدلیل شرایط نسبتاً بدون ابر، مزیت اصلی دادههای SAR چندان نمایان نشد و همین امر در کنار نیاز به پیشپردازش پیچیدهتر این دادهها میتواند دلیل کاهش نسبی دقت مدل ترکیبی با صحتکلی 32/94 و امتیاز F1 برابر با 93/0 گردید. برای آزمایش قدر تعمیمپذیری مدل سه منطقه انتخاب شد: شهرستان ساری بهعنوان ناحیهای نزدیک به منطقه اصلی، شهرستان لاهیجان منطقهای با فاصله بیشتر و پوشش گیاهی متفاوتتر و جنوب تهران به عنوان ناحیهای فاقد کشت برنج. ارزیابی تعمیمپذیری نشان داد که مدل در شهرستان ساری نتایج پایدار و دقیق ارائه میکند، در حالیکه در لاهیجان دقت کاهش یافته ولی همچنان با صحت کلی بالای 88% قابل قبول بود. آزمون مدل در زمینهای فاقد برنج جنوب تهران نیز نرخ خطای بسیار اندک (14/2%) را نشان داد که بیانگر توانایی بالای مدل در تشخیص مناطق غیرشالیزاری است. در گام دوم، برای تفکیک زمینهای تککشت و دوکشت، شبکه بازگشتی GRU بهکار گرفته شد. این مدل توانست با صحت کلی 4/98%، ضریب کاپا 951/0 و امتیاز F1 برابر 974/0، عملکرد بسیار مطلوبی در تفکیک مزارع تککشت از دوکشت برنج ارائه دهد. |
|
| واژههای کلیدی: سطح زیرکشت برنج، یادگیری عمیق، شبکه عصبی پیچشی، شبکه عصبی بازگشتی، سنتینل-1، سنتینل-2 |
|
|
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
فتوگرامتری و سنجش از دور
دریافت: 1404/7/22 | پذیرش: 1405/4/26
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
