آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,477 |
| تعداد مقالات | 18,019 |
| تعداد مشاهده مقاله | 58,387,477 |
| تعداد دریافت فایل اصل مقاله | 19,805,970 |
طبقهبندی محصول توتفرنگی با استفاده از تصاویر ماهوارهای سنتینل-۲ و الگوریتم یادگیری عمیق CNN، رویکردی مبتنی بر دادههای فنولوژیک محل | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| دوره 6، شماره 18، فروردین 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/rsgi.2025.67701.1140 | ||
| نویسندگان | ||
| امیر آقابالائی* 1؛ جاهده تکیه خواه2؛ شلیر کاتورانی3؛ علی مهتدی4 | ||
| 1دانشگاه جامع امام حسین (ع) | ||
| 2جهاد دانشگاهی کردستان | ||
| 3دانشگاه شهید بهشتی | ||
| 4دانشگاه حکمت قم | ||
| چکیده | ||
| هدف این پژوهش، توسعه و ارزیابی یک مدل ترکیبی مبتنی بر یادگیری عمیق جهت طبقهبندی دقیق محصول توتفرنگی با استفاده از تصاویر سریزمانی ماهواره سنتینل-۲ و دادههای فنولوژیکی بومی در استان کردستان است. تمرکز بر شناسایی مکانی محصولات با پراکنش محدود و چرخه رشد خاص، انگیزه اصلی طراحی مدل در این تحقیق بوده است. ابتدا دادههای زمینی در فصل زراعی ۱۴۰۱ از طریق GPS و تقویم زراعی منطقه گردآوری و برچسبگذاری شدند. سپس تصاویر منتخب سنتینل-۲ که از لحاظ زمانی با مراحل فنولوژیکی رشد توتفرنگی همپوشانی داشتند، تحت پیشپردازشهای هندسی، رادیومتریکی و اتمسفری قرار گرفتند. این دادهها بهعنوان ورودی به یک شبکه عصبی کانولوشنی با سه لایه کانولوشن، یک لایه Pooling، دو لایه تماماً متصل و تابع خروجی Softmax معرفی شدند. برای مقابله با نامتوازنی کلاسها، از تکنیک وزندهی کلاس و بهینهسازی پارامترها با روش جستجوی شبکهای استفاده شد. فرایند آموزش با الگوریتم Adam و نرخ یادگیری 0.0001 در طی 150 اپک انجام شد. مدل پیشنهادی موفق به طبقهبندی ۱۵ کلاس کاربری اراضی با دقت کلی ۹۶.۵۷ درصد و ضریب کاپای ۰.۸۵۸۲ گردید. برای کلاس هدف یعنی توتفرنگی، شاخص F1 معادل ۸۶.۴ درصد بهدست آمد که نشاندهنده تعادل مطلوب میان دقت و یادآوری است. همچنین عملکرد مدل در طبقهبندی محصولات با سطح زیرکشت محدود و ساختار مکانی غیرمنظم قابل توجه بوده است، اگرچه در کلاسهایی مانند گلخانهها و مراتع با ناهمگنی طیفی بالا، دقت کاهش یافته است. تحلیل خطا نیز نشان داد که بخش عمده اشتباهات مربوط به مرزهای طیفی مشابه و نوسانات اقلیمی دوره رشد بوده است. | ||
| کلیدواژهها | ||
| طبقهبندی محصول؛ شبکه عصبی کانولوشنی؛ توتفرنگی؛ سری زمانی؛ یادگیری عمیق | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 62 |
||