کاربرد شبکه کانولوشنی LSTM در طبقه بندی محصولات کشاورزی با استفاده از سری زمانی NDVI (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان های دوره کشت و کمبود داده های زمینی، طبقه بندی محصولات زراعی در تصاویر ماهواره ای را به کاری چالش برانگیز مبدل می کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته ترین ویژگی پوشش های گیاهی ازجمله محصولات کشاورزی است که می توان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخص های گیاهی انجام می شود که اطلاعات بسیار مفیدی از توالی ویژگی های فنولوژیک محصولات کشاورزی در اختیار ما قرار می دهد. استفاده از روش های یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری ها می تواند، در طبقه بندی محصولات کشاورزی و کاهش وابستگی به داده های زمینی، مفید باشد. شبکهLong-Short Term Memory (LSTM) یکی از انواع شبکه های عصبی بازگشتی در تجزیه و تحلیل داده های متوالی است که توانایی یادگیری توالی های بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبه شاخص NDVI از باندهای ماهواره سنتینل 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیه متفاوت در دشت مغان در نظر گرفته شد که محصولات کشت شده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیه اول، شبکه کانولوشنی LSTM برای طبقه بندی محصولات آموزش دید و در ناحیه دیگر، کارآیی این شبکه آموزش دیده در طبقه بندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 به دست آمد. افزایش تعداد نمونه های زمینی و انتخاب مرز دقیق محصولات، می تواند کارایی روش مورد استفاده را افزایش دهد.Employing the Convolutional LSTM Network in Crop Classification using NDVI Time Series
Changes in crop growth at relatively short intervals, asymmetry of cultivation of similar crops, the spectral similarity between different crops at certain times of the growing season, and lack of ground data make classifying crops in satellite imagery a challenging task. Changing the amount of canopy and greenness during the growing season is one of the most prominent characteristics of vegetation, including agricultural products, which can be monitored by using time series of vegetation indices that have useful information about the sequence of phenological features of crops. The use of deep learning methods with the ability of learning sequential information obtained from these time series can be useful in crop mapping and reducing dependence on ground data. The LSTM network is one of the types of RNNs in sequential data analysis that has the ability to learn long-term sequences of time-series information. Therefore, in this study, after extracting the NDVI time-series of 9 different dates from Sentinel-2 satellite images for a region located in Moghan plain, with ground labeled data related to the type of crops cultivated, we trained a convolutional LSTM network. Then we used this trained network to classify agricultural products in another region of the plain as a test site, and achieved an overall accuracy of 82% and a kappa coefficient of 0.8. Increasing the number of ground samples and selecting the exact boundary of crops, can increase the efficiency of the method used.
تبلیغات
