پيش‌بيني مكاني- زماني تغييرات پوشش گياهي بر مبناي داده‌هاي سنجش از دور با استفاده از يادگيري عميق

درك و تحليل تغييرات داده‌هاي مكاني- زماني در كاربرد‌هاي مختلف از جمله انجام اقدامات حفاظت و توسعه منابع طبيعي اهميت زيادي دارد. در مطالعات گذشته، عمدتاً از فرايند ماركوف و روش‌هاي مبتني بر مقايسه جهت پيش‌بيني تغييرات شاخص‌هاي پوشش گياهي استفاده گرديده كه دقت آنها همچنان جاي بهبود دارد. گرچه تحليل‌هاي سري زماني براي پيش‌بيني معدودي از شاخص‌‌ها مورد استفاده قرار گرفته است، اما روشي كه اين شاخص‌ها را از داده‌هاي سنجش از دور استخراج كرده و مدل‌سازي توالي آنها را با يادگيري عميق انجام دهد، به ندرت مشاهده مي‌شود. در اين مقاله، روشي براي پيش‌بيني تغييرات شاخص‌هاي گياهي مبتني بر يادگيري عميق ارائه مي‌شود. داده‌هاي پژوهش شامل تصاوير ماهواره‌اي لندست از سال ۲۰۰۰ تا ۲۰۱۸، مربوط به چهار فصل سال در نواحي شمال و شرق شهرستان شاهرود در استان سمنان مي‌باشند. گستره زماني تصاوير استخراج‌شده، امكان پيش‌بيني تغييرات پوشش گياهي را ممكن مي‌سازند. شاخص‌هاي پوشش گياهي استخراج‌شده از مجموعه داده، شامل NDVI، RVI و SAVI هستند. پس از انجام اصلاحات اتمسفري روي تصاوير، شاخص‌هاي مورد نظر استخراج شده و سپس داده‌ها به سري زماني تبديل مي‌شوند. نهايتاً مدل‌سازي توالي اين داده‌ها توسط شبكه حافظه كوتاه- بلندمدت انجام مي‌شود. نتايج حاصل از آزمايش‌ها نشان مي‌دهند كه شبكه عصبي قادر به پيش‌بيني مقادير آينده با دقت بالا است. ميزان خطاي شبكه بدون وجود داده‌هاي اضافي براي شاخص NDVI برابر 0.03، شاخص SAVI برابر با 0.02 و شاخص RVI برابر با 0.06 گزارش مي‌شود.