کاربرد شبکة کانولوشنی LSTM در طبقهبندی محصولات کشاورزی با استفاده از سری زمانی NDVI | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 6، دوره 14، شماره 1 - شماره پیاپی 53، 1401، صفحه 89-106 اصل مقاله (1.96 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.52547/gisj.14.1.89 | ||
| نویسندگان | ||
| محمدرضا گیلی1؛ داود عاشورلو* 2؛ حسین عقیقی2؛ علی اکبر متکان3؛ علیرضا شکیبا4 | ||
| 1دانشجوی دکترای مرکز سنجش از دور، دانشکدة علوم زمین، دانشگاه شهید بهشتی | ||
| 2استادیار مرکز مطالعات سنجش از دور، دانشکدة علوم زمین، دانشگاه شهید بهشتی | ||
| 3استاد مرکز مطالعات سنجش از دور، دانشکدة علوم زمین، دانشگاه شهید بهشتی | ||
| 4دانشیار مرکز مطالعات سنجش از دور، دانشکدة علوم زمین، دانشگاه شهید بهشتی | ||
| چکیده | ||
| تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهمزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمانهای دورة کشت و کمبود دادههای زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالشبرانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجستهترین ویژگی پوششهای گیاهی ازجمله محصولات کشاورزی است که میتوان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخصهای گیاهی انجام میشود که اطلاعات بسیار مفیدی از توالی ویژگیهای فنولوژیک محصولات کشاورزی در اختیار ما قرار میدهد. استفاده از روشهای یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سریها میتواند، در طبقهبندی محصولات کشاورزی و کاهش وابستگی به دادههای زمینی، مفید باشد. شبکةLong-Short Term Memory (LSTM) یکی از انواع شبکههای عصبی بازگشتی در تجزیه و تحلیل دادههای متوالی است که توانایی یادگیری توالیهای بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبة شاخص NDVI از باندهای ماهوارة سنتینلـ 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیة متفاوت در دشت مغان در نظر گرفته شد که محصولات کشتشده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیة اول، شبکة کانولوشنی LSTM برای طبقهبندی محصولات آموزش دید و در ناحیة دیگر، کارآیی این شبکة آموزشدیده در طبقهبندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 بهدست آمد. افزایش تعداد نمونههای زمینی و انتخاب مرز دقیق محصولات، میتواند کارایی روش مورد استفاده را افزایش دهد. | ||
| کلیدواژهها | ||
| یادگیری عمیق؛ حافظة کوتاهمدت بلند؛ سری زمانی؛ سنتینلـ 2؛ طبقهبندی؛ محصولات کشاورزی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 5,730 تعداد دریافت فایل اصل مقاله: 3,137 |
||