طبقه بندي محصولات كشاورزي با شبكه كانولوشني عميق مبتني بر شاخص محصول

سابقه و هدف: با توجه به اينكه كشاورزي مهمترين نقش را در تأمين امنيت غذايي برعهده دارد، تهيه نقشه اي كه پراكندگي مكاني، وسعت اراضي و نوع محصولات كشت شده را با دقت بالايي نشان دهد، بسيار ضروري است. پوشش اراضي كشاورزي در فواصل زماني نسبتا كوتاه، بسيار پويا و متغير است. اين موضوع، طبقه‌بندي محصولات زراعي روي تصاوير ماهواره اي را به كاري چالش برانگيز مبدل مي كند. كمبود يا فقدان داده‌هاي داراي نقاط كنترل زميني نيز مزيد بر علت است. بنابراين روشهايي كه به نمونه هاي زميني وابستگي كمتري دارند و از ويژگي هاي فنولوژيك حاصل از سري زماني باندها و شاخص هاي گياهي براي طبقه بندي محصولات استفاده مي كنند، مناسب تر خواهند بود. هدف از اين مطالعه استفاده از در روش‌ يادگيري عميق مبتني بر شبكه هاي عصبي كانولوشن (Convolutional Neoural Network(CNN)) براي طبقه بندي محصولات كشاورزي و بهبود عمكرد اين شبكه از طريق استفاده از كانا لهاي ويژگي محصولات بعنوان تصوير ورودي به شبكه و افزايش دقت طبقه بندي است. مواد و روش ها: در اين مطالعه از تصاوير باندهاي مرئي و فروسرخ نزديك ماهواره سنتينل-2 در 10 تاريخ مختلف از سال 2019 براي ناحيه اي واقع در ايالت آيداهو ايالات متحده آمريكا كه يك منطقه مهم كشاورزي به شمار مي رود و از لايه داده‌هاي زراعي(Cropland Data Layer) براي استخراج برچسب نوع محصولات در مزارع نمونه، استفاده گرديد. سپس در نرم افزار متلب، سري زماني باندها ساخته شد و با استفاده از آنها پروفيل زماني NDVI براي شناسايي ويژگي هاي فنولوژيكي منحصر به فرد براي هر محصول استخراج گرديد. در ادامه توابعي كه بر اساس ويژگي هاي فنولوژيك هر محصول توسعه داده شده اند، بر روي سري زماني باندها اعمال گرديد و براي هر محصول يك كانال ويژگي به دست آمد كه در دو فرآيند جداگانه، يكبار از باندها و بار ديگر از كانال هاي ويژگي به عنوان ورودي به شبكه CNN استفاده گرديد و شبكه، با استفاده از كانال هاي ورودي و نمونه هاي زميني، آموزش ديده و نتيجه عملكرد شبكه در طبقه بندي محصولات زراعي در سايت تست، مورد مقايسه قرار گرفت. نتايج و بحث: در مرحله اول، سري زماني باندها، ورودي شبكه كانواوشني عميق را تشكيل دادند و شبكه در ناحيه آموزش، با استفاده از اطلاعات طيفي-زماني باندها به عنوان كانال هاي ورودي و نمونه هاي زميني محصولات به عنوان برچسب، آموزش ديد. به دليل همپوشاني طيفي محصولات در برخي از دوره هاي زماني، آموزش شبكه با خطاي نسبتا بالايي همراه بود و به همين دليل براي ناحيه تست، دقت كلي طبقه بندي 69(درصد) و ضريب كاپاي 0/55 به دست آمد. در مرحله ديگر، توابعي كه به عنوان شاخصهاي فنولوژيك براي هر محصول توسعه داده شده بود ، روي سري زماني باندها اعمال گرديد و براي هر محصول، يك كانال ويژگي بعنوان شاخص انحصاري آن محصول، به دست آمد. آنگاه الگوريتم با استفاده از اين كانال هاي ويژگي، در ناحيه تست اجرا گرديد و دقت كلي به 86(درصد) و ضريب كاپا به 0/82 ارتقا يافت كه نشان دهنده بهبود چشمگير نتايج در مقايسه با حالت قبل است.نتيجه گيري: شبكه كانولوشني عميق براي تشخيص محصولات كشاورزي، به نوع كانالهاي ورودي بسيار حساس است و انتخاب كانال هايي با ويژگي هاي طيفي_زماني مناسب براي انواع محصولات، بر دقت آموزش شبكه بسيار تاثيرگذار بوده و مي تواند هزينه يا خطاي آموزش شبكه كانولوشني عميق را پايين آورده و كارايي آن را در طبقه بندي محصولات گوناگون، بالا ببرد.