فهرست نشریات علمی دسترسی آزاد ایران

پیشینه و اهداف: طبقه‌بندی دقیق کاربری اراضی برای مدیریت مؤثر منابع طبیعی، برنامه‌ریزی شهری، کشاورزی دقیق و پایش محیط زیست ضروری است. طبقه‌بندی‌ به پیش‌بینی و پیشگیری از مشکلات زیست‌محیطی کمک می‌کند. روش‌هایی مانند تصاویر ماهواره‌ای و هوایی با وضوح بالا، GIS و تکنیک‌های یادگیری عمیق از جمله شبکه‌های عصبی کانولوشنال (CNN) و معماری U-Net دقت بالایی در تحلیل و طبقه‌بندی تصاویر هوایی ارائه می‌دهند. شبکه U-Net با ساختار منحصر به فرد خود در تعریف مرزهای کاربری اراضی برتری دارد. این مطالعه بر روی منطقه‌ای در لهستان تمرکز دارد و از مدل U-Net برای افزایش دقت و کارایی طبقه‌بندی از طریق تکنیک‌های منظم‌سازی و بهینه‌ساز Adam استفاده می‌کند.روش‌ها‌: در این تحقیق از تصاویر هوایی با قدرت تفکیک ۲۵ سانتی‌متر و در باند مرئی برای تحلیل و طبقه‌بندی کاربری اراضی استفاده شده است. مدل U-Net به دلیل معماری خاص خود، شامل بلوک‌های کانولوشن و فعال‌سازی ReLU، برای استخراج ویژگی‌های مکانی دقیق و حفظ جزئیات تصویر انتخاب شد. به منظور افزایش دقت و جلوگیری از بیش برازش، از تکنیک‌های منظم‌سازی مانند حذف تصادفی (Dropout) و Regularization L2 بهره گرفته شد. همچنین، برای بهبود همگرایی مدل، روش‌های افزون‌سازی داده و تکنیک توقف زودهنگام (Early Stopping) به کار رفته است. تصاویر هوایی به قطعات کوچک‌تر با ابعاد ۲۵۶×۲۵۶ پیکسل تقسیم و به سه مجموعه آموزشی، اعتبارسنجی و آزمون تقسیم شدند.یافته‌ها: الگوریتم U-Net بر روی داده‌های شهر پوزنان در کشور لهستان اعمال شد. این داده‌ها توسط کارشناسان برچسب‌گذاری شدند و شامل چهار نوع کاربری اراضی: ساختمان‌ها، جنگل‌ها، جاده‌ها و آب هستند. از 769 تصویر برچسب‌گذاری شده، 576 تصویر برای آموزش مدل (که پس از تکنیک افزون‌سازی داده به 2304 تصویر گسترش یافت)، 183 تصویر برای اعتبارسنجی و 10 تصویر نیز برای آزمایش استفاده شد. این مدل، با استفاده از زبان برنامه‌نویسی Python و کتابخانه Keras بر بستر TensorFlow توسعه یافته و در Google Colab آموزش داده شد و پس از 96 تکرار به دقت بالایی رسید و با نقشه‌های برچسب‌گذاری شده توسط کارشناسان اعتبارسنجی شد. در حالی که مدل U-Net در دسته‌بندی کلی عملکرد خوبی داشت، با چالش‌هایی در کلاس‌های نادر مانند آب مواجه شد. افزایش داده‌ها و نمونه‌های بیشتر برای این کلاس‌ها می‌تواند دقت را بهبود بخشد. دقت‌های آموزش و اعتبارسنجی به ترتیب به 0.95 و 0.85 رسید و خطای اعتبارسنجی در حدود 0.5 تثبیت شد. مدل U-Net بهبودهای قابل توجهی در دقت کلی، ضریب کاپا و امتیاز ژاکارد نسبت به مطالعات قبلی نشان داد که حاکی از اهمیت داده‌های با کیفیت و تنظیم دقیق پارامترها است.نتیجه‌گیری: در این مطالعه، مدل یادگیری عمیق U-Net، برای دسته‌بندی دقیق کاربری اراضی با استفاده از تصاویر هوایی مورد ارزیابی قرار گرفت. نتایج نشان می‌دهد که این مدل به طور مؤثر انواع کاربری اراضی را با دقت بالا شناسایی و تفکیک کرده است. ساختار U-Net دقت کلی 92.47%، امتیاز ژاکارد 54.45% و ضریب کاپا 79.59% را به دست آورد. این نتایج توانایی قوی مدل را در تعریف مرزهای کلاس‌ها نشان می‌دهد. بهبودهای آینده می‌تواند شامل استفاده از تصاویر چند طیفی و فراطیفی برای اطلاعات دقیق‌تر، ترکیب U-Net با سایر شبکه‌ها مانند ANN، بهینه‌سازی فراپارامترها با استفاده از روش‌های جستجوی پیشرفته و به‌کارگیری یادگیری انتقالی، به ویژه در شرایط با داده‌های محدود باشد. اجرای این استراتژی‌ها می‌تواند دقت و کارایی در دسته‌بندی کاربری اراضی را افزایش دهد و کاربردهای وسیع‌تری در زمینه‌های علمی و عملی ارائه دهد.