Journal of Geomatics Science and Technology

en استخراج پوشش و کاربری اراضی بر اساس روش‌های یادگیری عمیق با استفاده از تصاویر ماهواره‌ای Land Cover and Land Use Extraction Based on Deep Learning Methods Using Satellite Images فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">به دلیل رشد جمعیت شهری، رشد شهرها و شهرنشینی، جمع آوری اطلاعات پوشش و کاربری اراضی ضروری است. کاربردهای این داده‌ها شامل حفاظت محیط زیست، برنامه‌ریزی شهری، برنامه‌ریزی زیرساخت‌های شهری و برنامه‌ریزی استراتژیک برای تضمین رشد پایدار مناطق شهری است. منبع اصلی جمع آوری داده‌های پوشش و کاربری اراضی در حال حاضر تصاویر سنجش از دور است. اطلاعات مربوط به پوشش و کاربری اراضی را می‌توان از تصاویر سنجش از دور با استفاده از تکنیک‌های طبقه‌بندی تصاویر بازیابی نمود. از نظر دقت طبقه‌بندی، تکنیک‌های یادگیری عمیق اخیراً از سایر روش‌های طبقه‌بندی پوشش و کاربری اراضی بهتر عمل کرده‌اند. شبکه‌های عصبی کانولوشنال (CNN) که در این زمینه بسیار محبوب هستند، یکی از معماری‌های مهم در طبقه‌بندی با استفاده از یادگیری عمیق هستند که اغلب در طبقه‌بندی پوشش و کاربری اراضی استفاده می‌شوند. اخیراً، یکی از تکنیک‌های شبکه عصبی کانولوشنال به نام  ResNet، در کاربردهای سنجش از دور به‌ویژه برای طبقه‌بندی پوشش و کاربری اراضی استفاده شده‌اند. مدل‌های ResNet یک انتخاب مؤثر در طبقه‌بندی پوشش و کاربری اراضی هستند زیرا می‌توانند مشکل ناپدید شدن گرادیان را مدیریت کنند. هدف اصلی این مطالعه، ارزیابی عملکرد روش‌های مقداردهی اولیه وزنی Glorot Uniform و Random Uniform در معماری‌های ResNet50، ResNet101 و ResNet152 برای استخراج پوشش و کاربری اراضی مجموعه داده EuroSat است. برای ارزیابی دقت نتایج ازF1-Score وزندار، شاخص‌های IoU، دقت کلی و ضریب کاپا استفاده شد. مقادیر متناظر ResNet101 برای این شاخص‌ها به ترتیب برابر 0.8869، 0.7951، 0.8871 و 0.8743 بودند. این نتایج نشان می‌دهد که از نظر دقت طبقه‌بندی، ResNet101 از روش‌های ResNet50 و ResNet152  عملکرد بهتری داشته‌است.</div>   <div style="text-align: justify;">Information on land use and cover needs to be gathered due to the growing urban population, city growth, and urbanization. Applications for this data include environmental protection, urban planning, planning for urban infrastructure, and strategic planning to guarantee the sustainable growth of urban areas. The primary source of data on land cover and land use at the moment is remote sensing imagery. Information about land cover and land use can be retrieved from remote sensing images using image classification techniques. In terms of classification accuracy, deep learning techniques recently outperformed other methods for classifying land use and cover. Convolutional neural networks (CNNs), which are quite popular in this field, are one of the significant deep learning classification architectures frequently used in land cover and land use classification. Recently, the convolutional neural network technique known as ResNet has been applied to remote sensing applications, particularly for the classification of land use and cover. ResNet models are an effective choice for classifying land cover and land use because they can handle the vanishing gradient issue. The primary objective of this study is to assess the performance of the Glorot Uniform and Random Uniform weight initializers in the ResNet50, ResNet101, and ResNet152 architectures for extracting the land cover and land use of the EuroSat dataset. The weighted F1 score, IoU indexes, overall accuracy, and kappa coefficient were used to evaluate the accuracy of the results. ResNet101's corresponding values for these indexes were, in turn, 0.8869, 0.7951, 0.8871, and 0.8743. These results indicate that, in terms of classification accuracy, ResNet101 has outperformed the ResNet50 and ResNet152 methods.</div> کاربری اراضی, توسعه پایدار, یادگیری عمیق, شبکه‌های عصبی کانولوشن, شاخص ضریب کاپا Land cover and land use, Sustainable development, Deep learning, Convolutional neural network, Kappa coefficient 119 133 http://jgst.issgeac.ir/browse.php?a_code=A-10-1093-1&slc_lang=en&sid=1 Pooya Heidari پویا حیدری pooya.hdy@gmail.com 100319475328460010460 100319475328460010460 Yes Photogrammetry master student of Shahid Beheshti University دانشجوی کارشناسی ارشد فتوگرامتری دانشگاه شهید بهشتی Asghar Milan اصغر میلان a_milan@sbu.ac.ir 100319475328460010461 100319475328460010461 No Assistant Professor, Shahid Beheshti University, Faculty of Civil, Water and Environmental Engineering استادیار دانشگاه شهید بهشتی، دانشکده عمران آب و محیط‌زیست Alireza Gharagozlou علیرضا قراگوزلو a_gharagozlo@sbu.ac.ir 100319475328460010462 100319475328460010462 No Associate Professor, Shahid Beheshti University, Faculty of Civil, Water and Environmental Engineering دانشیار دانشگاه شهید بهشتی، دانشکده عمران آب و محیط‌زیست