آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,551 |
| تعداد مقالات | 18,919 |
| تعداد مشاهده مقاله | 63,425,396 |
| تعداد دریافت فایل اصل مقاله | 23,141,907 |
طبقه‌بندی نوع محصولات کشاورزی با استفاده از ساختار جمعی مدل‌های یادگیری ماشین و سری زمانی داده‌های سنجش از دور (زمین‌های کشاورزی بالادست شهر مهاباد) | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| دوره 6، شماره 20، مهر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/rsgi.2026.67397.1139 | ||
| نویسندگان | ||
| محمدجواد ولدان زوج* 1؛ اسماعیل عبدالی2 | ||
| 1گروه فتوگرامترز و سنجش از دور، دانشکده ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| 2میدان انقلاب/ خیابان جمالزاده ی جنوبی/ روبروی لبافی نژاد/ پلاک 90/ واحد 14 | ||
| چکیده | ||
| نقشه‌برداری دقیق از انواع محصولات کشاورزی نقش حیاتی در تضمین امنیت غذایی ایفا می‌کند. در این راستا، داده‌های ماهواره‌ای سنجش از دور (RS) به عنوان ابزاری نویدبخش مطرح شده‌اند که قادر به ارائه پوشش فضایی گسترده و بازه‌های زمانی مکرر هستند. با این حال، به دلیل تنوع بالا بین انواع محصولات، هنوز چالش‌هایی در زمینه طبقه‌بندی دقیق نوع محصول با استفاده از این داده‌ها وجود دارد. در این مطالعه، یک ساختار نوآورانه به‌صورت ترکیبی از معماری موازی و آبشاری (مدل جمعی) به صورت نظارت‌شده پیشنهاد شده است که هفت محصول کشاورزی را هدف قرار می‌دهد. بخش موازی شامل پنج شاخه مجزاست که هر یک با استفاده از تصاویر چندزمانی Sentinel-1/2 وLandsat-8/9 ، نقشه‌های احتمال تعلق پیکسل به طبقه مورد نظر را برای طبقات مختلف تولید می‌کنند. این نقشه‌ها با بهره‌گیری از الگوریتم‌های یادگیری ماشین و یادگیری عمیق تولید می‌شوند. در گام بعد، نقشه‌های احتمال حاصل از شاخه‌های موازی با یکدیگر ترکیب و به عنوان مجموعه ویژگی جدید به مدل متا در ساختار آبشاری وارد شدند. نتایج نشان داد که الگوریتم شبکه عصبی CNN در هر دو بخش موازی و آبشاری عملکرد برتری نسبت به سایر الگوریتم‌ها داشته و به عنوان مدل پایه و مدل متا انتخاب شده است. ساختار پیشنهادی با دقت کلی (Overall Accuracy) 79/94 درصد و ضریب کاپا (Kappa index) معادل 937/0 دقت مطلوبی را نشان داد. این نتایج نشان‌دهنده برتری قابل توجه ساختار موازی-آبشاری نسبت به روش‌های مرسوم طبقه‌بندی است که صرفاً داده‌های سنجش از دور را ادغام کرده و به یک مدل واحد وارد می‌کنند؛ به‌طوری‌که... | ||
| کلیدواژه‌ها | ||
| سنجش از دور؛ یادگیری ماشین؛ طبقه بندی؛ مدل جمعی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 153 |
||