طبقه بندی محصول توت فرنگی با استفاده از تصاویر ماهواره ای سنتینل-۲ و الگوریتم یادگیری عمیق CNN، رویکردی مبتنی بر داده های فنولوژیک محل

هدف این پژوهش، توسعه و ارزیابی یک مدل ترکیبی مبتنی بر یادگیری عمیق جهت طبقه بندی دقیق محصول توت فرنگی با استفاده از تصاویر سری زمانی ماهواره سنتینل-۲ و داده های 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 داده های زمینی در فصل زراعی ۱۴۰۱ از طریق GPS و تقویم زراعی منطقه گردآوری و برچسب گذاری شدند. سپس تصاویر منتخب سنتینل-۲ که از لحاظ زمانی با مراحل فنولوژیکی رشد توت فرنگی هم پوشانی داشتند، تحت پیش پردازش های هندسی، رادیومتریکی و اتمسفری قرار گرفتند. این داده ها به عنوان ورودی به یک شبکه عصبی کانولوشنی با سه لایه کانولوشن، یک لایه Pooling، دو لایه تماما متصل و تابع خروجی Softmax معرفی شدند. برای مقابله با نامتوازنی کلاس ها، از تکنیک وزن دهی کلاس و بهینه سازی پارامترها با روش جستجوی شبکه ای استفاده شد. فرایند آموزش با الگوریتم Adam و نرخ یادگیری ۰.۰۰۰۱ در طی ۱۵۰ اپک انجام شد.مدل پیشنهادی موفق به طبقه بندی ۱۵ کلاس کاربری اراضی با دقت کلی ۹۶.۵۷ درصد و ضریب کاپای ۰.۸۵۸۲ گردید. برای کلاس هدف یعنی توت فرنگی، شاخص F۱ معادل ۸۶.۴ درصد به دست آمد که نشان دهنده تعادل مطلوب میان دقت و یادآوری است. همچنین عملکرد مدل در طبقه بندی محصولات با سطح زیرکشت محدود و ساختار مکانی غیرمنظم قابل توجه بوده است، اگرچه در کلاس هایی مانند گلخانه ها 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.

کلیدواژه ها:

طبقه بندی محصول ، شبکه عصبی کانولوشنی ، توت فرنگی ، سری زمانی ، یادگیری عمیق