فهرست نشریات علمی دسترسی آزاد ایران

هدف این پژوهش، توسعه و ارزیابی یک مدل ترکیبی مبتنی بر یادگیری عمیق جهت طبقه‌بندی دقیق محصول توت‌فرنگی با استفاده از تصاویر سری‌زمانی ماهواره سنتینل-۲ و داده‌های فنولوژیکی بومی در استان کردستان است. تمرکز بر شناسایی مکانی محصولات با پراکنش محدود و چرخه رشد خاص، انگیزه اصلی طراحی مدل در این تحقیق بوده است.ابتدا داده‌های زمینی در فصل زراعی ۱۴۰۱ از طریق GPS و تقویم زراعی منطقه گردآوری و برچسب‌گذاری شدند. سپس تصاویر منتخب سنتینل-۲ که از لحاظ زمانی با مراحل فنولوژیکی رشد توت‌فرنگی هم‌پوشانی داشتند، تحت پیش‌پردازش‌های هندسی، رادیومتریکی و اتمسفری قرار گرفتند. این داده‌ها به‌عنوان ورودی به یک شبکه عصبی کانولوشنی با سه لایه کانولوشن، یک لایه Pooling، دو لایه تماماً متصل و تابع خروجی Softmax معرفی شدند. برای مقابله با نامتوازنی کلاس‌ها، از تکنیک وزن‌دهی کلاس و بهینه‌سازی پارامترها با روش جستجوی شبکه‌ای استفاده شد. فرایند آموزش با الگوریتم Adam و نرخ یادگیری 0.0001 در طی 150 اپک انجام شد.مدل پیشنهادی موفق به طبقه‌بندی ۱۵ کلاس کاربری اراضی با دقت کلی ۹۶.۵۷ درصد و ضریب کاپای ۰.۸۵۸۲ گردید. برای کلاس هدف یعنی توت‌فرنگی، شاخص F1 معادل ۸۶.۴ درصد به‌دست آمد که نشان‌دهنده تعادل مطلوب میان دقت و یادآوری است. همچنین عملکرد مدل در طبقه‌بندی محصولات با سطح زیرکشت محدود و ساختار مکانی غیرمنظم قابل توجه بوده است، اگرچه در کلاس‌هایی مانند گلخانه‌ها و مراتع با ناهمگنی طیفی بالا، دقت کاهش یافته است. تحلیل خطا نیز نشان داد که بخش عمده اشتباهات مربوط به مرزهای طیفی مشابه و نوسانات اقلیمی دوره رشد بوده است.