تولید نقشه اراضی کشاورزی با استفاده از سری زمانی تصاویر سنتینل- ۲ و شبکه های عصبی بازگشتی عمیق

صنعت کشاورزی به عنوان موتور اصلی رشد و شکوفایی اقتصادی یک کشور شناخته می شود. لذا مدیریت صحیح و برنامه ریزی کارآمد در این صنعت با فراهم نمودن نقشه های به روز و با دقت بالا از اراضی کشاورزی میسر می گردد. در این مطالعه از تصاویر سری زمانی سنتینل -۲ ، به منظور تولید نقشه اراضی کشاورزی استفاده شده که آماده سازی آن ها در سامانه گوگل ارث انجین GEE در ۲۳ مقطع زمانی مختلف انجام پذیرفته است. تفکیک اراضی کشاورزی در این مطالعه بر مبنای سیستم زراعت تک کشت بهاره، تک کشت پاییزه، تک کشت یونجه و دو کشت صورت گرفته است. بدین منظور روش پیشنهادی با بکارگیری شبکه های بازگشتی عمیق RNN، به عنوان عضوی از خانواده شبکه های عصبی که متناسب با داده های سری زمانی طراحی شده اند، نقشه اراضی کشاورزی را تولید می نماید. در این فرآیند، علاوه بر شبکه های بازگشتی استاندارد معمولی vanilla RNN، عملکرد دو نوع خاص شبکه های بازگشتی یعنی شبکه های LSTM و GRU نیز مورد ارزیابی قرار می گیرد. جهت سنجش عادلانه تر عملکرد هر سه نوع شبکه های بازگشتی مذکور، از یک معماری یکسان چند به یک انتها به انتها که برمبنای ترکیب تجربیات مطالعات قبلی طراحی شده شده، بهره برده می شود. روش پیشنهادی در یک منطقه مطالعاتی واقع در شهرستان شهرکرد مورد بررسی و ارزیابی قرار گرفته است. نتایج بدست آمده حکایت از برتری شبکه GRU با دقت کلی ۹۷.۲۸% نسبت به شبکه LSTM و شبکه بازگشتی استاندارد معمولی (به ترتیب با دقت های کلی ۹۶.۴۷% و ۹۴.۸۶% درصد) دارد. همچنین هر سه نوع شبکه از روش جنگل تصادفی (با دقت کلی ۹۱.۹۴% درصد) عملکرد بهتری ثبت نموده اند. این در حالی است که شبکه بازگشتی استاندارد معمولی تنها از روش ماشین بردار پشتیبان با دقت کلی ۹۵/۱۱% دقت پایین تری بدست آورده است.

کلیدواژه ها:

اراضی کشاورزی ، شبکه های عصبی بازگشتی GRU ، LSTM ، سری زمانی.