استفاده از تصاویر سنجش از دور سنتینل 2 برای بهبود تفکیک پذیری محصولات زراعی با بهره گیری از روش های هوش مصنوعی به منظور مدیریت بهره برداری آب از مخازن سدها
نویسندگان
1 استادیار، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران
2 دانشجوی کارشناسی ارشد گروه مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران، تهران
3 دانشیار، گروه مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران، تهران
doi
10.22059/ije.2020.302618.1329چکیده
محدودیت منابع آبی همواره از موانع اصلی توسعۀ بخش کشاورزی بهعنوان بستر اصلی نیل به خودکفایی مواد غذایی مطرح بوده است. یکی از کاربردهای مهم تصاویر سنجش از دور، در حوزۀ فعالیتهای کشاورزی است. در تحقیق حاضر از تصاویر ماهوارۀ سنتینل 2 برای تفکیک محصولات کشاورزی در محدودۀ شهرستان ارومیه بهصورت روشهای مبتنی بر ورودیهای چندزمانی استفاده شده است. به دلیل تغییرات طیفی محصولات طی دورۀ رشد، بهکارگیری تصاویر چندزمانی مطابق با تقویم زراعی محصولات، نقش مهمی در تفکیک این محصولات ایفا میکند. در این طبقهبندی تمامی ورودیها دارای تأثیر یکسان در طبقهبندی در نظر گرفته میشوند که این امر خلاف واقعیت است. بنابراین، به منظور افزایش دقت طبقهبندی و بهبود نتایج، به هر یک از ورودیهای چندزمانی، وزن مناسبی باید اختصاص یابد که در پژوهش حاضر انتخاب وزنهای بهینه برای تمام ورودیها با بهرهگیری از الگوریتم ژنتیک مورد توجه قرار گرفته است. بهینه کردن طبقهبندی تصاویر ماهوارهای به روش کمترین فاصله توسط الگوریتم ژنتیک به دو حالت انجام یافته است؛ در حالت نخست تأثیر تعداد نرونهای لایۀ میانی و انتخاب پارامترهای بهینه برای شبکۀ عصبی و در حالت دوم، تأثیر ترتیب معرفی نمونههای آزمایشی بررسی شده است. در حالت نخست تعداد 4 تا 20 نرون برای لایۀ میانی و مقداری بین صفر و یک برای میزان آموزش و ضریب مومنتوم انتخاب و ارزیابی شده و در حالت دوم ترتیبهای مختلفی از معرفی نمونههای آموزشی ارزیابی شدهاند. نتایج نشان داد بهینه شدن ترتیب معرفی نمونههای آموزشی، موجب افزایش 5/4 درصدی در دقت محاسبات شده است. بنابراین، ترتیب معرفی نمونههای آزمایشی در مقایسه با سایر پارامترها، بیشترین تأثیر را در همگرایی شبکه و حصول به نتایج بهینه داشته است. همچنین، مقایسۀ دو طبقهبندی استاندارد و بهینهشده، نشان داد مقدار کاپا از 86 درصد در حالت استاندارد به مقدار 5/90 درصد در حالتی که ورودیها به صورت بهینه وزندهی شدهاند، افزایش یافته است.
