مقایسه عملکرد مدل های یادگیری عمیق بر پایه U-Net در جنگل های آمازون و آتلانتیک با استفاده از داده های Sentinel-۲

پایش جنگل زدایی یکی از کاربردهای مهم سنجش از دور در مدیریت منابع طبیعی و بررسی اثرات تغییر اقلیم است. در این پژوهش، تصاویر چندباندی ماهواره Sentinel-۲ به منظور تشخیص و قطعه بندی نواحی جنگل و غیرجنگل در جنگل های آمازون و آتلانتیک مورد استفاده قرار گرفت. دو معماری یادگیری عمیق شامل Attention U-Net و Trans U-Net پیاده سازی و عملکرد آنها مقایسه شد. مدل ها با استفاده از تصاویر چهارباندی و ماسک های دودویی آموزش داده شدند. نتایج نشان داد که Trans U-Net به دلیل ترکیب قابلیت استخراج ویژگی های محلی شبکه های کانولوشنی و مدل سازی وابستگی های مکانی دوربرد توسط ترنسفورمر دقت بالاتری نسبت به دو مدل دیگر ارائه می دهد. دقت کلی این مدل حدود ۹۴ برای جنگل های آتلانتیک و ۹۳ برای جنگل های آمازون به دست آمد که کارایی بالای آن را در پایش جنگل زدایی تایید می کند.

کلیدواژه ها:

جنگل زدایی ، یادگیری عمیق ، Sentinel ۲ ، Trans U-Net ، Attention U-Net ، U-Net