fa پایش تغییرات سطح زیر کشت محصولات کشاورزی با استفاده از روش مبتنی بر الگوریتم یادگیری عمیق و تصاویر فراطیفی چند زمانه فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">آشکارسازی تغییرات باهدف تجزیه‌وتحلیل دو یا چند تصویر از یک منطقه که در زمان‌های مختلف به‌دست‌آمده‌اند، انجام می‌گیرد که به‌طورکلی یکی از مهم‌ترین کاربردهای تصاویر ماهواره‌ای در تحلیل توسعه شهری، پایش محیطی و کشاورزی، ارزیابی خطر و ارزیابی تخریب بلایای طبیعی است. ازآنجایی‌که حل مسائل مربوط به آشکارسازی تغییرات به ‌صورت دستی یک عملیات وقت‌گیر است، به همین دلیل در این پژوهش یک روش کشف تغییرات مبتنی بر الگوریتم یادگیری عمیق جهت تولید نقشه تغییرات در مناطق کشاورزی ارائه شده و از شبکه‌های یادگیری عمیق به‌ منظور استخراج خودکار ویژگی&shy;ها استفاده شد. هدف در این مقاله بکارگیری الگوریتم های یادگیری عمیق &nbsp;از نوع شبکه&shy;های کانوولوشنی به منظور شناسایی سطح زیر کشت محصولات کشاورزی با استفاده از تصاویر فراطیفی است. یکی از انگیزه&shy;های اصلی این کار، قابلیت مناسب این شبکه های یادگیری عمیق در شناسایی تغییرات در مناطق با پیچیدگی طیفی بالا هستند. پس از به دست آوردن تصاویر اختلاف با استفاده از الگوریتم حدآستانه گذاری اتسو، نقشه تغییرات دودویی اولیه تولید می&shy;شود. در مرحله بعد با استفاده از شبکه‌های کدگذار خودکار به استخراج ویژگی پرداخته و از شبکه‌های کانوولوشنی جهت طبقه‌بندی پیکسل‌ها به دو کلاس تغییر و کلاس بدون تغییر استفاده شد. نهایتا با ساخت مدل یادگیری عمیق و ارزیابی دقت، نقشه تغییرات نهایی تولید شد. نتایج حاصل، نشان‌دهنده پتانسیل بالای استفاده از روش‌های یادگیری عمیق در مسائل آشکارسازی تغییرات با استفاده از تصاویر فراطیفی می‌باشد. به منظور ارزیابی دقت و کارایی روش پیشنهادی، از تصاویر اخذ شده توسط سنجنده هایپریون مربوط به دو مجموعه داده ابرطیفی از مزارع کشاورزی هرمیستن واقع در آمریکا، و منطقه دارای پوشش های گیاهی متنوع در اطراف تالاب شادگان واقع در جنوب خوزستان، استفاده و الگوریتم پیشنهادی مورد ارزیابی قرارگرفته است. روش پیشنهادی کشف تغییرات مبتنی بر یادگیری عمیق دارای دقت کلی 95% و ضریب کاپا 0.86 می‌باشد.</div> <div style="text-align: justify;">Change detection is done with the purpose of analyzing two or more images of a region that has been obtained at different <gwmw class="ginger-module-highlighter-mistake-type-3" id="gwmw-15696101896428932802631">times which</gwmw> is <gwmw class="ginger-module-highlighter-mistake-type-3" id="gwmw-15696101896421785126931">Generally one</gwmw> of the most important applications of satellite imagery is urban development, environmental inspection, agricultural monitoring, hazard assessment, and natural disaster. The purpose of using deep learning algorithms, in particular, convolutional neural networks and hyperspectral imagery, here is to identify the planting area because these networks have an excellent performance in achieving change detection. In this research<gwmw class="ginger-module-highlighter-mistake-type-2" id="gwmw-15696101930825560051561">, we investigate to</gwmw> use of deep learning methods in comparison with another <gwmw class="ginger-module-highlighter-mistake-type-3" id="gwmw-15696101930821305793304">tradition</gwmw> <gwmw class="ginger-module-highlighter-mistake-type-3" id="gwmw-15696101930820999797241">methods</gwmw> for obtaining changes in an agricultural area so that, after generating difference images with the use of Otsu algorithm we generate a preliminary binary map. Then we extracted the feature by using sparse auto encoder networks and classified pixels in two categories to change and no change by using the convolutional neural networks too. In the end, we obtain a final change map by making a model and evaluation of accuracy. That we have achieved even better results, which indicates the need to use deep learning methods. Since solving, the problem manually related to change detection. To investigate capable of the proposed method, 2 datasets <gwmw class="ginger-module-highlighter-mistake-type-1" id="gwmw-15696101971139553881493">hyperspectral</gwmw> imagery from the American Hermiston agricultural fields in the United States was used and vegetation cover near the Shadegan wetland located in the south of Khuzestan province, evaluated by the Hyperion sensor. The proposed method compared to other methods has an overall accuracy of 95% and the kappa coefficient of 0.86.</div> یادگیری عمیق, آشکارسازی تغییرات, شبکه‌های عصبی کانوولشنی, شبکه‌های کدگذار خودکار, سنجش‌ازدور, تصاویر فراطیفی Change Detection, Deep Learning, Hyperspectral Images, Sparse Auto Encoder, Agriculture Monitoring 79 89 http://jgst.issgeac.ir/browse.php?a_code=A-10-292-4&slc_lang=fa&sid=1 M. Ahangarha مرجان آهنگرها ahangarha.marjan@ut.ac.ir 10031947532846007046 10031947532846007046 No School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران M. Saadat Seresht محمد سعادت سرشت masaadat@ut.ac.ir 10031947532846007048 10031947532846007048 No School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران R. Shahhoseini رضا شاه حسینی rshahosseini@ut.ac.ir 10031947532846007049 10031947532846007049 Yes School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران S. T. Seyyedi سید تیمور سیدی seydi.teymoor@alumni.ut.ac.ir 10031947532846007047 10031947532846007047 No School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران