نوع مقاله : مقاله پژوهشی
نویسندگان
1 گروه فتوگرامترز و سنجش از دور، دانشکده ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
2 میدان انقلاب/ خیابان جمالزاده ی جنوبی/ روبروی لبافی نژاد/ پلاک 90/ واحد 14
چکیده
نقشهبرداری دقیق از انواع محصولات کشاورزی نقش حیاتی در تضمین امنیت غذایی ایفا میکند. در این راستا، دادههای ماهوارهای سنجش از دور (RS) به عنوان ابزاری نویدبخش مطرح شدهاند که قادر به ارائه پوشش فضایی گسترده و بازههای زمانی مکرر هستند. با این حال، به دلیل تنوع بالا بین انواع محصولات، هنوز چالشهایی در زمینه طبقهبندی دقیق نوع محصول با استفاده از این دادهها وجود دارد. در این مطالعه، یک ساختار نوآورانه بهصورت ترکیبی از معماری موازی و آبشاری (مدل جمعی) به صورت نظارتشده پیشنهاد شده است که هفت محصول کشاورزی را هدف قرار میدهد. بخش موازی شامل پنج شاخه مجزاست که هر یک با استفاده از تصاویر چندزمانی Sentinel-1/2 وLandsat-8/9 ، نقشههای احتمال تعلق پیکسل به طبقه مورد نظر را برای طبقات مختلف تولید میکنند. این نقشهها با بهرهگیری از الگوریتمهای یادگیری ماشین و یادگیری عمیق تولید میشوند. در گام بعد، نقشههای احتمال حاصل از شاخههای موازی با یکدیگر ترکیب و به عنوان مجموعه ویژگی جدید به مدل متا در ساختار آبشاری وارد شدند. نتایج نشان داد که الگوریتم شبکه عصبی CNN در هر دو بخش موازی و آبشاری عملکرد برتری نسبت به سایر الگوریتمها داشته و به عنوان مدل پایه و مدل متا انتخاب شده است. ساختار پیشنهادی با دقت کلی (Overall Accuracy) 79/94 درصد و ضریب کاپا (Kappa index) معادل 937/0 دقت مطلوبی را نشان داد. این نتایج نشاندهنده برتری قابل توجه ساختار موازی-آبشاری نسبت به روشهای مرسوم طبقهبندی است که صرفاً دادههای سنجش از دور را ادغام کرده و به یک مدل واحد وارد میکنند؛ بهطوریکه...
تازه های تحقیق
نقشه برداری از نوع محصول برای تضمین امنیت غذایی و مدیریت موثر کشاورزی ضروری است. دادههای ماهوارهای سنجش از دوری بهعنوان یک جایگزین امیدوارکننده برای روشهای سنتی، مانند بررسیهای میدانی زمانبر، برای تولید نقشههای نوع محصول پدید آمدهاند. با این حال، شناسایی دقیق محصولات مختلف در دادههای ماهوارهای چالشهایی را به دلیل تغییرات درون و بین طبقات محصول ناشی از عواملی مانند تنوع محصول، شرایط محیطی و شیوههای کشاورزی ایجاد میکند. در نتیجه، تقاضای فزاینده ای برای شناسایی و توسعه الگوریتم های طبقهبندی دقیق تر وجود دارد. این مقاله یک ساختار جدیدی از مدلهای یادگیری ماشین، به نام ساختار موازی-آبشاری را برای طبقهبندی نوع محصول با استفاده از زبان برنامه نویسی پایتون (Python) پیشنهاد کرد. ساختار موازی شامل سه منبع داده بود: 1S، 2S و 9/8L. در ساختار موازی، نقشه احتمال برای طبقات هدف مختلف تولید شد. این نقشه ها روی هم انباشته شدند و در نتیجه، مکعب جدید داده حاصل به ساختار آبشاری وارد شدند. ساختار آبشاری از مدل یادگیری ماشین دیگری برای تصمیم گیری طبقهبندی نهایی استفاده کرد. روش پیشنهادی نتایج امیدوارکنندهای را نشان داد که به رویکردهای طبقهبندی نوع محصول معمولی برتری داشت. همچنین نتایج حاکی از کاهش قابل توجه عدم قطعیت طبقهبندی طبقات هدف در مقایسه با سایر سازهها بود. ساختار مجموعه پیشنهادی را میتوان در سطح منطقهای برای تولید نقشههای بسیار دقیق محصول افزایش داد. این مدل میتواند در سامانههای تصمیمگیری کشاورزی ادغام شود تا با تحلیل دقیق دادههای ماهوارهای با قدرت تفکیک بالاتر، به کشاورزان در برنامهریزی کشت، مدیریت منابع آب، و پیشبینی عملکرد محصولات کمک کند. برای ارزیابی قابلیت انتقال مکانی و زمانی مدل، میتوان آن را در مناطق جغرافیایی و شرایط اقلیمی مختلف آزمایش کرد (بسته به نوع محصولات رایج آن منطقه) تا میزان عمومیسازی آن بررسی شود و امکان بهکارگیری آن در مطالعات گستردهتر و سیاستگذاریهای کشاورزی فراهم گردد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Classification of agricultural crops using the ensemble structure of machine learning models and time series of remote sensing data (Agricultural lands of Mahabad city)
نویسندگان [English]
1 Department of Photogrammetry and Remote Sensing, Faculty of Geodesy and Geomatics , Khajeh Nasiraddin Toosi University of Technology, Tehran, Iran.
2 Department of Photogrammetry and Remote Sensing, Faculty of Geodesy and Geomatics, Khajeh Nasiraddin Toosi University of Technology, Tehran, Iran
چکیده [English]
Effective identification of crop types is fundamental for safeguarding food security. In this context, satellite-based remote sensing (RS) data has emerged as a promising tool, offering wide spatial coverage and high temporal frequency. However, due to the significant intra- and inter-class variability among crop types, there remains a growing need for more precise classification methods using RS data. This study proposes a novel supervised parallel-cascaded architecture (Ensemble models) targeting seven crop classes. The parallel component consists of five independent branches, each generating probability maps for different target classes using multi-temporal Sentinel-1 and Landsat-8/9 imagery. These maps were produced through various machine learning and deep learning classification models. Subsequently, the generated probability maps from the parallel branches were stacked and used as a new feature set fed into a meta-model in the cascaded structure. The results demonstrated that the Convolutional Neural Network (CNN) algorithm achieved superior performance in both parallel and cascaded components, making it the optimal choice for both the base and meta models. The proposed architecture achieved an overall accuracy (OA) of 94.79% and a Kappa coefficient of 0.937. These results highlight the significant advantage of the parallel-cascaded structure over conventional classification methods that simply stack RS data and feed it into a single model leading to a 6% increase in overall accuracy. Future research could use higher-resolution distance assessments and more accurate synthetic hybrid models.
کلیدواژهها [English]
نقشهبرداری دقیق از انواع محصولات کشاورزی نقش حیاتی در تضمین امنیت غذایی ایفا میکند. در این راستا، دادههای ماهوارهای سنجش از دور (RS) به عنوان ابزاری نویدبخش مطرح شدهاند که قادر به ارائه پوشش فضایی گسترده و بازههای زمانی مکرر هستند. با این حال، به دلیل تنوع بالا بین انواع محصولات، هنوز چالشهایی در زمینه طبقهبندی دقیق نوع محصول با استفاده از این دادهها وجود دارد. در این مطالعه، یک ساختار نوآورانه بهصورت ترکیبی از معماری موازی و آبشاری (مدل جمعی) به صورت نظارتشده پیشنهاد شده است که هفت محصول کشاورزی را هدف قرار میدهد. بخش موازی شامل پنج شاخه مجزاست که هر یک با استفاده از تصاویر چندزمانی Sentinel-1/2 وLandsat-8/9 ، نقشههای احتمال تعلق پیکسل به طبقه مورد نظر را برای طبقات مختلف تولید میکنند. این نقشهها با بهرهگیری از الگوریتمهای یادگیری ماشین و یادگیری عمیق تولید میشوند. در گام بعد، نقشههای احتمال حاصل از شاخههای موازی با یکدیگر ترکیب و به عنوان مجموعه ویژگی جدید به مدل متا در ساختار آبشاری وارد شدند. نتایج نشان داد که الگوریتم شبکه عصبی CNN در هر دو بخش موازی و آبشاری عملکرد برتری نسبت به سایر الگوریتمها داشته و به عنوان مدل پایه و مدل متا انتخاب شده است. ساختار پیشنهادی با دقت کلی (Overall Accuracy) 79/94 درصد و ضریب کاپا (Kappa index) معادل 937/0 دقت مطلوبی را نشان داد. این نتایج نشاندهنده برتری قابل توجه ساختار موازی-آبشاری نسبت به روشهای مرسوم طبقهبندی است که صرفاً دادههای سنجش از دور را ادغام کرده و به یک مدل واحد وارد میکنند؛ بهطوریکه مدل پیشنهادی موجب افزایش شش درصدی در دقت کلی شده است. در تحقیقات آینده میتوان با استفاده از دادههای سنجش از دوری با قدرت تفیک بالاتر و مدلهای ترکیبی هوش مصنوعی به دقت بالاتر نیز رسید.