بررسی یادگیری انتقالی در طبقه بندی نوع محصولات کشاورزی از تصاویر ماهواره های سنجش از دوری با کمک الگوریتم جنگل تصادفی

در این پژوهش، رویکردی برای یادگیری انتقالی در طبقه بندی نوع محصولات کشاورزی با استفاده از ترکیب داده های نوری و راداری سنتینل ارائه شده است. هدف، ارزیابی عملکرد الگوریتم طبقه بندی جنگل تصادفی در یادگیری انتقالی از منطقه اراک به مرودشت با بهره گیری از تصاویر ماهواره ای و کاهش اختلاف بین دامنه ها با استفاده از تحلیل مولفه های اصلی است. داده های مورداستفاده شامل سنتینل-۱ و سنتینل-۲ در بازه زمانی آبان ماه سال ۱۳۹۵ تا مهر ماه سال ۱۳۹۶ هستند. کلاس های مورد بررسی شامل محصولات گندم، جو، یونجه، سایر محصولات، بدون پوشش زراعی، آب، خاک، کوه و مناطق شهری می باشند. در مرحله آموزش، ۱۰۰٪ داده های اراک و ۲۰٪ از داده های مرودشت استفاده شد. سپس عملکرد مدل با ۸۰٪ باقی مانده از داده های مرودشت ارزیابی گردید. برای بررسی تاثیر داده ها، چندین ترکیب شامل داده های نوری، راداری، مدل رقومی ارتفاعی SRTM و تلفیق آن ها بررسی شد. همچنین، با استفاده از تحلیل مولفه های اصلی ویژگی های مشترک دو منطقه استخراج گردید تا تطبیق دامنه بین دامنه های آموزش و هدف حاصل شود. نتایج نشان داد ترکیب داده های نوری، راداری و مدل رقومی زمین باعث افزایش دقت طبقه بندی و بهبود معیارهایی چون دقت کلی و ضریب کاپا و F۱ محصولات هدف (به ترتیب ۹۳% و ۸۹% و ۷۸%) در منطقه هدف گردیده است.

کلیدواژه ها:

یادگیری انتقالی ، داده های سنتینل-۱ ، داده های سنتینل-۲ ، طبقه بندی نوع محصولات کشاورزی ، تطبیق دامنه