پیش بینی تغییرات کاربری اراضی کشاورزی با استفاده از مدل های یادگیری عمیق و تصاویر Sentinel-2 در استان خوزستان

مدیریت کاربری اراضی کشاورزی در مناطق گرم و خشک به ویژه در استان خوزستان، نقشی بنیادین در پایداری زیست محیطی و امنیت غذایی دارد. در دهه ی اخیر، توسعه ی سریع فعالیت های صنعتی و تغییر الگوهای کشت سبب تغییرات چشم گیر در کاربری اراضی این منطقه شده است. در چنین شرایطی، بهره گیری از فناوری های نوین هوش مصنوعی می تواند ابزاری کارآمد برای پایش و پیش بینی این تحولات باشد. هدف این پژوهش، توسعه و ارزیابی یک چارچوب یادگیری عمیق جهت پیش بینی تغییرات کاربری اراضی کشاورزی در خوزستان با استفاده از داده های ماهواره ای Sentinel-2 است. بدین منظور، داده های طیفی و شاخص های پوشش گیاهی (مانند NDVI و (NDWI طی دوره ی 2018 تا 2023 استخراج و با داده های میدانی تطبیق داده شدند. سپس مدل های مختلف یادگیری ماشین و یادگیری عمیق مقایسه گردید و در نهایت، شبکه ی U-Net ترکیبی با ساختار ConvLSTM به عنوان مدل برتر انتخاب شد. این مدل توانست با استفاده از توالی زمانی تصاویر چندساله، روند تغییر کاربری را در بازه های مکانی مختلف پیش بینی کند. نتایج اولیه نشان داد دقت مدل پیشنهادی در بازشناسی اراضی کشاورزی نسبت به مدل های کلاسیک مانند Random Forest به طور معناداری بیشتر است و قابلیت آشکارسازی تغییرات جزئی در مرزهای مزارع نیشکر و اراضی آیش را نیز دارد. بر این اساس، کاربرد مدل های عمیق در تحلیل دینامیک کاربری اراضی می تواند رویکردی نوآورانه برای برنامه ریزی بهینه ی کشاورزی و مدیریت منابع طبیعی در مناطق خشک و نیمه خشک کشور باشد. این پژوهش گامی در جهت ترکیب دانش مکانی و الگوریتم های هوش مصنوعی برای دستیابی به نظام تصمیم یار دقیق در مدیریت زمین است.

کلیدواژه ها:

یادگیری عمیق ، Sentinel-2 ، تغییرات کاربری اراضی ، خوزستان ، پیش بینی مکانی ، کشاورزی هوشمند