مقایسه روشهای مختلف طبقهبندی تصاویر پهپادی برای برآورد درصد پوشش گیاهی ذرت

پیشرفت فناوریهای جدید و گسترش عمومی آنها، امکان تولید دادههای ارزشمندی را برای متخصصان علوم مختلف ازجمله کشاورزی، به منظور افزایش بهرهوری و تولید محصول باکیفیت، فراهم میآورد. ثبت تصاویر هوایی به کمک پرندههای هدایتپذیر از راه دور (پهپاد) و بکارگیری الگوریتمهای پردازش تصویر، میتواند تحلیلی با دقت بالا و بهنگام از وضعیت گیاه در اختیار کشاورز قرار دهد. در این پژوهش برای برآورد شاخص کسر پوشش گیاهی ذرت، از تصاویر پهپادی استفاده شد و چهار الگوریتم مختلف طبقهبندی نظارت شده شامل ماشین بردار پشتیبان (SVM)، حداقل فاصله اقلیدسی از میانگین (MDM)، حداقل فاصله ماهالانوبیسی از میانگین (MDC) و روش طبقهبندی حداکثر احتمال (MLC) مورد ارزیابی قرار گرفتند. نتایج نشان داد کمترین میزان دقت در تفکیک کلاسها و تعیین کسر پوشش گیاهی مربوط به روش MDM با دقت کلی ۴/۷۳ درصد و ضریب کاپا ۶۱/۰ است. اگرچه سه روش دیگر دقت کلی بالای ۹۰ درصد داشتند ولی روش MDC توانسته است با دقت کلی ۵/۹۴ درصد و ضریب کاپای ۹۲/۰ بهترین عملکرد را داشته باشد. اگرچه روش SVM نیز نتایج نزدیک و خوبی را داشته است ولی زمان پردازش تصویر در این روش بسیار بالاتر از روش MDC است. نتایج نشان داد روش MLC اگرچه ازنظر دقت کلی و ضریب کاپا در رتبه سوم بین روشهای موردبررسی قرار میگیرد ولی در تشخیص پیکسلهای برگ و سایه گیاه، بسیار دقیق بوده است. بهطوریکه بالاترین دقت تولید کلاس برگ و سایه گیاه را به ترتیب ۳/۹۸ و ۰۱/۹۹ درصد داشت. به طورکلی میتوان نتیجه گرفت، الگوریتمهای طبقهبندی نظارت شده، میتواند روشهای قابل اعتمادی در برآورد شاخصهای گیاهی با دقت مطلوب باشد، و بکارگیری این روشها هم در پژوهشهای میدانی وسیع و هم در تحلیلهای کاربردی مزرعهای پیشنهاد میگردد.

کلیدواژه ها:

طبقهبندی نظارت شده ، SVM ، MDM ، MDC و MLC