ادغام سري زماني تصاوير سنتينل-1 و لندست-8 با استفاده از شبكه ي خودرمز نگار براي طبقه بندي محصولات كشاورزي

Time series fusion of Sentinel-1 and Landsat-8 images using autoencoder network for classification of agricultural crop

نقشه برداري محصولات زارعي با استفاده از فناوري سنجش از دور از اهميت اقتصادي بالايي برخوردار مي باشد. با توجه به رشد جمعيت و پيامدهاي چند برابري توليد جهاني غذا، داده هاي كشاورزي دقيق و مورد اعتماد از اهميت بسزايي برخوردار است. همچنين، پايش و نقشه برداري محصولات زراعي، نقش مهمي در برنامه ريزي هاي كشاورزي دارد. امروزه مديريت هوشمند مزارعي همچون گندم، ذرت و سورگوم با فناوري سنجش از دور و بكارگيري الگوريتم هاي يادگيري عميق بهبود يافته است. در اين مطالعه، به منظور تفكيك يا دقت بالاي كلاس گندم، ذرت و سورگرام از ساير كلاس ها در بخشي از ايالات متحده آمريكا در تصاوير سري زماني لندست-8 و سنتينل-1 در سال 2021، از شبكه يادگيري عميق خودرمز نگار استفاده شده است. نتايج پژوهش حاضر نشان داد، كه استفاده از تلفيق تصاوير نوري و راداري نسبت به استفاده مجزا از آن ها در شبكه مورد نظر، منجر به تفكيك دقيق تر محصولات زراعي فوق شد. در كل، استفاده از رويكرد پيشنهادي منجر به دقت كلي 43/95 درصد و ضريب كاپاي 91/84 درصد شده است كه با توجه به استفاده از نقشه زراعي دقيق به عنوان داده هاي ارزيابي از منطقه مورد مطالعه، مي توان از آن به عنوان يك روش عملي و دقيق به منظور تفكيك محصولات فوق الذكر در كشور ايران به استفاده كرد.

Mapping agricultural products using remote sensing technology is of great economic importance. Given the growth of the population and the multiple impacts on global food production, accurate and reliable agricultural data is highly important. In addition, monitoring and mapping of agricultural products plays an important role in agricultural planning. Today, smart management of crops such as wheat, corn, and sorghum has improved with remote sensing technology and the use of deep learning algorithms. In this study, a deep learning autoencoder network was used to distinguish or accurately classify wheat, corn, and sorghum from other classes in a part of the United States using Landsat-8 and Sentinel-1 time series images in 2021. The results of the study showed that the integration of optical and radar images in the network led to a more accurate distinction of agricultural products. Overall, the use of this approach resulted in an accuracy rate of 95.43% and a Kappa coefficient of 84.91% when using accurate agricultural maps as evaluation data for the study area. This suggests that this practical and accurate approach can be used to classify the above agricultural products in Iran.