استخراج پهنه‌های آبی از داده‌های سنجش از دور با مقایسه مدل‌های یادگیری عمیق

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

2 استادیار، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

3 استادیار، دانشکده فنی و مهندسی، دانشگاه دامغان، دامغان، ایران

4 دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

doi
10.22059/ije.2024.378101.1829
چکیده

در قرن حاضر افزایش غلظت گازهای گلخانه‌ای سبب تغییراتی در آب‌وهوا و اقلیم زمین شده است. این تغییرات تأثیرات جبران ناپذیری بر اراضی کشاورزی، تولید غذا، و تأمین آب آشامیدنی داشته است. استفاده از فناوری سنجش از دور و پردازش تصاویر ماهواره‌ای، هوایی و پهپاد به منظور جمع‌آوری اطلاعات از سطح زمین، تغییرات زیست محیطی و تحلیل پهنه‌های آبی، آن را به ابزاری موثر برای برنامه‌ریزی، پایش و مدیریت بهینه منابع آب تبدیل کرده است. استفاده از فناوری های نوین و میان رشته‌ای امکان شناسایی، پهنه‌بندی و ارزیابی دقیق منابع آب سطحی را برای متخصصین منابع آب فراهم کرده است. در این پژوهش با هدف شناسایی پهنه‌های آبی سطحی با استفاده از داده های سنجش از دور چهار مدل یادگیری عمیق شامل ENet، SegNet، SE U-Net و DeepLabV3+EfficientNet تحت 50 دوره آموزشی با تابع خطا باینری کراس-آنتروپی (Binary Cross-Entropy) آموزش داده شده‌اند. نتایج نشان می‌دهد که مدلDeepLabV3+EfficientNet با مقدار 96٫09% در معیار Precision و 89٫13 % در معیار IoU، بهترین عملکرد را برای تشخیص استخرهای کشاورزی داشته است. همچنین مدل SegNet با مقدار 93٫81% در معیار Precision و DeepLabV3+EfficientNet با 85٫58% در معیار IoU، بهترین عملکرد رابه ترتیب برای تشخیص استخرهای شنا داشته‌ان، باتوجه به نتایج مدلDeepLabV3+EfficientNet پیشنهاد می‌شود.