ارزیابی تعمیم پذیری یک مدل یادگیری عمیق در شناسایی تاج درختان جنگل های نیمه خشک روی داده های پهپاد

تاج درختان یکی از مولفه های کلیدی در ارزیابی ساختار و سلامت اکوسیستم های جنگلی است و شناسایی دقیق آن در مناطق نیمه خشک، که پوشش گیاهی پراکنده و پراکنش مکانی ناهمگن دارد، چالشی مهم محسوب می شود. در این مطالعه، یک مدل یادگیری عمیق مبتنی بر U-Net با Encoder از پیش آموزش دیده VGG۱۶ برای شناسایی تاج درختان از تصاویر پهپاد با توان تفکیک مکانی بالا توسعه و ارزیابی شد. مدل ابتدا بر روی تصاویر منطقه SA۱ آموزش داده شد و سپس بدون بازآموزی برای بررسی تعمیم پذیری بر روی منطقه SA۲ اعمال گردید. خروجی مدل به صورت نقشه های قطعه بندی شامل «تاج درختان» و «سایر عوارض» تولید شد. نتایج نشان داد که مدل در SA۱ و SA۲ به ترتیب به صحت ۹۳/۰ و ۹۶/۰ و شاخص AUC برابر ۹۱/۰ و ۹۴/۰ دست یافت و توانست تاج درختان را با دقت بالا از پس زمینه و سایه ها تفکیک کند. این مطالعه نشان می دهد که مدل U-Net می تواند به عنوان ابزاری موثر برای پایش ساختار جنگل و استخراج اطلاعات مکانی تاج درختان در مقیاس منطقه ای مورد استفاده قرار گیرد و گامی مهم در توسعه کاربرد مدل های از پیش آموزش دیده در مطالعات جنگل های نیمه خشک محسوب می شود.

کلیدواژه ها:

مدل های از پیش آموزش دیده ، زاگرس ، U-Net ، ROC