سنجش از دور
کیارش بروشان؛ سعید بهزادی
چکیده
پیشینه و اهداف: برنج به عنوان یک محصول استراتژیک در زمینه امنیت غذایی نه تنها در اقتصاد کلان جوامع بلکه در جایگاه جهانی نیز جایگاه ویژهای دارد. اهمیت این محصول در تأمین نیازهای غذایی جمعیت و نقش آن در تحقق امنیت غذایی، اهمیت جدی و چشمگیری به آن اختصاص داده است. در این راستا، جمعآوری دقیق و بهروز اطلاعات از وضعیت مزارع برنج، به ...
بیشتر
پیشینه و اهداف: برنج به عنوان یک محصول استراتژیک در زمینه امنیت غذایی نه تنها در اقتصاد کلان جوامع بلکه در جایگاه جهانی نیز جایگاه ویژهای دارد. اهمیت این محصول در تأمین نیازهای غذایی جمعیت و نقش آن در تحقق امنیت غذایی، اهمیت جدی و چشمگیری به آن اختصاص داده است. در این راستا، جمعآوری دقیق و بهروز اطلاعات از وضعیت مزارع برنج، به ویژه اطلاعات مرتبط با کمیت و کیفیت محصولات، امری بسیار حیاتی و اساسی است. استفاده از تکنولوژیهای سنجش از دور در این زمینه بهعنوان یک راهکار کارآمد و موثر مطرح شده است. این تکنولوژیها امکان جمعآوری اطلاعات پایشی از مزارع را با کمترین هزینه و در مناطق گستردهتر فراهم میآورند. از جمله این تکنولوژیها، پهپادها بهخاطر توانایی بهتر در تفکیک مکانی و دقت بالاتر در انجام پایشهای مختلف نسبت به ماهوارهها، از مزایای نسبی برخوردارند. تحقیق حاضر از یک رویکرد پیشرفته به نام یادگیری عمیق استفاده مینماید تا به منظور تخمین سطح زیر کشت برنج نشاء یا نهال از تصاویر RGB گرفته شده از پهپادها در منطقه ووفنگ استان تایچانگ کشور تایوان، اقدام نماید. این روش از توانمندیهای شبکههای عصبی عمیق بهعنوان یک ابزار موثر برای تحلیل دادههای پیچیده بهرهمند شده و به دقت بالایی در تفکیک انواع مختلف سطح زیر کشت نشاء یا نهال برنج دست یافته است.روشها: در این تحقیق، از یکی از روشهای پیشرفته یادگیری عمیق به نام DenseNet برای مدلسازی و پیشبینی سطح زیر کشت برنج نشاء یا نهال در تصاویر RGB گرفته شده از پهپادها استفاده شده است. این روش به وسیله الگوریتمهای پیچیده و مجموعهای از لایههای پردازشی، قابلیت استخراج مفاهیم انتزاعی سطح بالا را از دادهها دارد. یکی از ویژگیهای منحصر به فرد DenseNet این است که از الگوریتم لایه به لایه (Layer-to-Layer) به جای رویکردهای سنتی که از ادغام لایهها (layer concatenation) استفاده میکنند، بهرهمیبرد. در این الگوریتم، هر لایه مستقل از سایر لایهها کار میکند و به لایههای قبلی متصل میشود، که باعث کاهش تعداد وزنها و پارامترها و همچنین افزایش کارایی شبکه میشود. استفاده از قابلیت یادگیری عمیق برای پردازش بههنگام دادهها به صورت فوری پس از اخذ تصاویر نشاندهندهی قابلیت پویای DenseNet در پردازش اطلاعات بهسرعت و با دقت بالا است. این امکان به ما این اجازه را میدهد که در زمان واقعی به تحلیل و پیشبینی سطح زیر کشت برنج نشاء یا نهال پرداخته و اطلاعات مورد نیاز برای اداره بهینه مزارع را بدست آوریم.یافتهها: نتایج بهدستآمده از این تحقیق، تأییدگر دقت بسیار بالای 99.8 درصد را بر روی دادههای اعتبارسنجی نشان میدهد. این درصد بسیار بالا نشاندهندهی توانایی فوقالعاده روش یادگیری عمیق DenseNet در تخمین دقیق سطح زیرکشت برنج نشاء یا نهال میباشد. این دقت بالا نه تنها نشاندهندهی عملکرد بسیار خوب مدل در شناسایی و پیشبینی میزان کاشت برنج، بلکه اطمینان بخش بوده و به کاربران اعتماد میبخشد. مدل ارائهشده توانسته است با دقت بسیار بالا به تشخیص و ارزیابی سطح زیر کشت برنج نشاء یا نهال بپردازد. این امر در عمل به کشاورزان و مدیران مزارع ابزاری ارزشمند ارائه میدهد تا بهصورت دقیقتر و سریعتر از وضعیت مزرعه خود آگاه شوند و تصمیمگیریهای بهتری در مدیریت کشت و بهرهوری انجام دهند.نتیجهگیری: در مجموع، این تحقیق نشان میدهد که استفاده از پهپادها به همراه روشهای یادگیری عمیق، به منظور تخمین سطح زیرکشت برنج نشاء یا نهال با دقت بالا، در مناطقی چون ووفنگ استان تایچانگ تایوان، امکانپذیر است. این ارتقاء در تکنولوژی پایش میتواند به مدیران ذیربط در امور کشاورزی و امنیت غذایی کمک زیادی کند.