تشخیص و طبقه بندی ناهنجاری های محیطی با استفاده از تصاویر چندزمانه ماهواره ای سنتینل -۲ و یادگیری ماشین سبک

پایش تغییرات پوشش گیاهی و ناهنجاری های محیطی برای مدیریت اکوسیستم ها، کشاورزی دقیق  و سامانه های هشدار زودهنگام ضرورری است. با توجه به پیچیدگی الگوهای زمانی–مکانی تغییرات محیطی، داده های ماهواره ای چندزمانه رویکردی کارآمد برای ردیابی تغییرات تدریجی و ناگهانی ارائه می دهند. در این پژوهش، از داده های سری زمانی سنجنده سنتینل-۲ و شاخص های طیفی  NDVI، EVI و NBR  به عنوان شاخص های حساس به کلروفیل و اختلالات شدید و الگوریتم های سبک و بدون ناظر جنگل جداساز، عامل ناهنجاری محلی و ماشین بردار پشتیبان تک کلاسه، برای شناسایی ناهنجاری ها بهره گرفته شده است. ارزیابی عملکرد مدل ها نشان داد که الگوریتم جنگل جداساز، متعادل ترین و پایدارترین کارایی را ارائه می دهد (Accuracy = ۰.۸۸۶, Precision = ۰.۰۶۵, Recall = ۰.۲۵۰, F۱ = ۰.۱۰۳). الگوریتم عامل ناهنجار محلی در شناسایی الگوهای موضعی حساسیت بیشتری نشان داد، اما در داده های دارای نویز ثبات پایین تری داشت (F۱=۰.۰۶۹). الگوریتم ماشین بردار تک کلاسه رویکرد محافظه کارانه تری در برچسب گذاری ناهنجاری ها اتخاذ کرد و عمدتا در تشخیص اختلالات شدید، به ویژه در شاخص NBR,  موثرتر بود (F۱=۰.۰۳۵).  تحلیل هم پوشانی و تمایز شاخص ها  نشان می دهد NDVI  کاهش تدریجی کلروفیل را ثبت می کند، EVI  در پوشش گیاهی متراکم و NBR در شناسایی رخدادهای شدید نظیر آتش سوزی و خشکسالی نقش مکمل ایفا می کنند. استفاده هم زمان از این شاخص ها دامنه قابل تشخیص از نوسانات ظریف تا اختلالات گسترده را پوشش می دهد. یافته ها نشان می دهد که تلفیق داده های سنتینل-۲ با مدل های سبک یادگیری ماشین، چارچوبی قابل توسعه، بازتولیدپذیر و کارا برای پایش ناهنجاری های محیطی در مقیاس های وسیع فراهم می سازد. این رویکرد وابستگی به داده های میدانی پرهزینه را به حداقل رسانده و امکان استفاده عملی در پایش خشکسالی، مدیریت بحران های محیطی، پایش سلامت اکوسیستم ها و برنامه ریزی کشاورزی هوشمند را فراهم می کند. برای تحقیقات آینده، تلفیق داده های طیفی مرتبط با رطوبت و حرارت، سری های زمانی با تفکیک زمانی بالاتر و به کارگیری تنظیم پارامترهای فراابتکاری پیشنهاد می شود تا پایداری و دقت بیشتر حاصل گردد.

کلیدواژه ها:

Environmental anomalies ، spectral indices ، machine learning ، multi-temporal satellite imagery ، lightweight algorithms. ، ناهنجاری های محیطی ، شاخص های طیفی ، یادگیری ماشین ، تصاویر ماهواره ای چندزمانه ، الگوریتم های سبک.