سنجش از دور
مجید حیدری قولانلو؛ رضا جوانمرد علی تپه؛ عبادت قنبری پرمهر
چکیده
پیشینه و اهداف: با پیشرفت تکنولوژی و پیدایش ماهوارههای چندمنظوره، اطلاعات لحظهای زیادی از سطح زمین مخابره میشود. ماهواره ها به سنجنده هایی مجهز هستند که می توانند با ارسال سیگنالهایی در فرکانسهای مختلف به سطح زمین به اطلاعات مهمی دست یابند. دادههای دریافتی از این ماهوارهها در کاربردهای مختلف علمی و نظامی از جمله: هوانوردی، ...
بیشتر
پیشینه و اهداف: با پیشرفت تکنولوژی و پیدایش ماهوارههای چندمنظوره، اطلاعات لحظهای زیادی از سطح زمین مخابره میشود. ماهواره ها به سنجنده هایی مجهز هستند که می توانند با ارسال سیگنالهایی در فرکانسهای مختلف به سطح زمین به اطلاعات مهمی دست یابند. دادههای دریافتی از این ماهوارهها در کاربردهای مختلف علمی و نظامی از جمله: هوانوردی، مطالعات جغرافیایی، هواشناسی، کشاورزی و دیگر حوزههای تحقیقاتی قابل استفاده است. حوزهی کشاورزی و پایش سطوح کشت نیز یکی از حوزههایی است که با توجه به مزیتهای روشهای سنجشازدور در مقایسه با روشهای سنتی، بهعنوان یکی از ابزارهای اصلی در جمعآوری اطلاعات محیطی برای کاربردهای پایش نواحی، مورد توجه پژوهشگران قرار گرفته است. یکی از این موضوعات، پایش منطقهای برای بررسی محصولات کشاورزی در مساحت سطح زیرکشت است که استفاده از ابزارهای سنجشازدور و تصاویر ماهوارهای به جهت پوشش منطقهای وسیع بسیار کارا است. جهت بررسی خودکار این تصاویر، طبقهبندی و بخشبندی نواحی سطح زیرکشت، امروزه از روشهای یادگیری ماشین استفاده میشود. در میان این روشها، یادگیری عمیق در مقایسه با دیگر روشهای یادگیری مانند روشهای دستی و یا روشهای نیمهخودکار، عملکرد بهتر و سرعت بالاتری دارد.روشها: در این مقاله مدلهای یادگیری عمیق که برای بخشبندی نواحی مناسب هستند مورد استفاده قرار گرفته است. عموما این مدلها بازای هر ورودی، خروجی معادل آن را با همان ابعاد تولید می کنند. لذا جهت کار بر روی تصاویر ماهوارهای، در این پژوهش مدل U-Net بهبود یافتهای ارائه شده است. مدل پیشنهادی با استفاده از ViT در گلوگاه مدل برای طبقهبندی و بخشبندی چهار نوع محصول کشاورزی شامل برنج، گندم، کلزا و ذرت توسعه داده شده است. استفاده از ViT در مقایسه با لایههای کانولوشن از لحاظ ایده و پیادهسازی الگوریتمی کاراتر است و حجم محاسباتی کمتری دارد. این مدل مشکلات و نقاط ضعف مدل پایه U-Net را که برای مجموعه دادههای پیچیده، متنوع در شکل، اندازه و بافت به وجود میآید، برطرف مینماید.یافتهها: در نتایج آزمایشات انجام شده روش پیشنهادی توانسته است با رسیدن به دقت 83.84 و صحت 70.69، بهتر از دیگر روشها دستهبندی درستی از 5 محصول مورد نظر را ارائه دهد. همچنین خروجیهای کیفی نیز نشاندهندهی بخشبندی بهتر تصاویر ورودی با اعمال روش پیشنهادی میباشد. در کنار معیار دقت، دیگر معیارها مانند افت کانونی، بازیابی و MIoU نیز مورد بررسی قرار گرفت که در اکثر موارد روش پیشنهادی به مقدار قابل قبولی رسیده است. لازم به ذکر است که با توجه به اینکه منطقه ی مورد نظر در ایران در نظر گرفته شد، جمع آوری و برچسب گذاری داده ها نیز در این پژوهش انجام شده است که میتواند بعنوان مجموعه داده ی مناسبی برای آموزش دیگر مدلها استفاده شود.نتیجهگیری: این تحقیق یک مدل سرتاسری برای یادگیری ویژگیهای مرتبط با بخش بندی تصاویر ماهوارهای ارائه داده است. نتایج این تحقیق نشان میدهد که روش ارائه شده میتواند برای بخش بندی تصاویر ماهواره ای دریافتی از سنتینل-2 برای محصولات مورد نظر مورد استفاده قرار گیرد. لذا نتایج حاصل می تواند در مدیریت مصرف آب، تنظیم ساختار کاشت، تخمین تلفات و ارزیابی عملکردهای زراعی نقش مهمی را ایفا نماید. با بهرهگیری از این روشها، میتوان به بهبود کارایی و دقت در مدیریت کشاورزی دست یافت و از منابع این حوزه بهینهتراستفاده کرد.
