نقشه برداری نوع گیاهی از سری زمان مرئی و رادار با استفاده از یادگیری عمیق مبتنی بر توجه [پايان نامه فارسي]
محمد سجاد دشتی
| شناسگر رکورد: | ۵۲۱۷۰ |
| رشته تحصیلی: | هوش مصنوعی و رباتیکز |
| عنوان: | نقشه برداری نوع گیاهی از سری زمان مرئی و رادار با استفاده از یادگیری عمیق مبتنی بر توجه |
| نويسنده: | محمد سجاد دشتی |
| استاد راهنما : | دکتر محمدتقی منظوری شلمانی دکتر بابک مجیدی |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۴۰۴ |
| چکیده: | کسب آگاهی و دانش در رابطه با الگوی کشت و سطح زیر کشت نقش مهمی را در مدیریت اراضی کشاورزی و برآورد میزان تولید خالص ایفا می‌کند. ترکیب نتایج حاصل از مشاهدات و اندازه گیری‌های زمینی با داده های سنجش از دور می‌تواند نقشه‌های به‌هنگام از سطح زیر کشت محصولات ارائه نماید. این امر برای تعریف واحدهای مدیریت و رسیدن به اطلاعات دقیق مورد نیاز کشاورزان و برنامه ریزان ارزشمند است. اکثر روش های مورد استفاده به منظور تفکیک محصولات کشاورزی، در مواردی که الگوی کشت محصولات مختلف مانند گندم و جو، شباهت زیادی داشته باشند، عملکردی مناسبی ندارند. لذا هدف از این پایان نامه نقشه برداری نوع گیاهی از سری زمان مرئی و رادار با استفاده از یادگیری عمیق مبتنی بر توجه و ارائه روش طبقه بندی مبتنی بر یادگیری عمیق بر روی تصاویر سری زمانی ماهواره ای برای تولید نقشه سطح زیر کشت دقیق انواع محصولات کشاورزی با شباهت فنولوژیکی بالا می‌باشد. به این منظور تصاویر سری زمانی ماهواره ۸Landsat بر اساس تقویم زراعی منطقه انتخاب شدند. با استفاده از شاخص تفاضلی نرمال شده پوشش گیاهی ( NDVI) بصورت سری زمانی و یک مجموعه داده آموزشی از مزارع کشاورزی مختلف، از شبکه عصبی کانولوشنی ( CNN) برای تولید خودکار نقشه محصول در منطقه چناران واقع در استان خراسان شمالی استفاده شد. جهت تفکیک محصولات در این مطالعه، از تلفیق طبقه بندی نظارت شده و تصحیح بصری استفاده شده است. به منظور برآورد صحت نتایج ، نقشه‌های تولید شده با نقاط کنترل زمینی بررسی شد و ضریب کاپا و دقت کلی محاسبه شد. نتایج نشان داد که استفاده از داده های سری‌زمانی ماهواره ای کارایی بالایی برای شناسایی و تفکیک انواع محصولات کشاورزی دارند. همچنین روش طبقه‌بندی ارائه شده مبتنی بر شبکه عصبی کانولوشنی با دقت کلی ٩٥,٧٦ دقت بالاتری نسبت به سایر روش های مرسوم از جمله روش های جنگل تصادفی (دقت کلی: ٨٩,٨٥) ، ماشین بردار پشتیبان (دقت کلی: ٨٨,٧٨) ، شبکه عصبی پرسپترون (دقت کلی: ٨٥,٧٥) و K نزدیکترین همسایگی (دقت کلی: ٨٩,٦٠) ، در تفکیک و شناسایی محصولات کشاورزی دارد. این اطلاعات برای برنامه‌ریزی‌های کلان منطقه‌ای در قالب تدوین الگوی کشت ، تعیین میزان نیاز کشور به واردات محصولات کشاورزی، برنامه‌ریزی جهت توسعه صادرات محصولات کشاورزی مازاد بر نیاز کشور و توسعه مکانیزاسیون در سطح کلان مدیریتی بسیار مفید می‌باشند. |
| واژگان کلیدی: | تفکیک محصولات کشاورزی ، سنجش از دور، Landsat۸، شاخص تفاضلی نرمال شده(NDVI)، شبکه عصبی کانولوشنی(CNN) |
| شماره ثبت | جزء | نسخه | جلد | بخش | قسمت | مرجع | شماره بازیابی | در دست امانت | تاریخ بازگشت | ملاحظات | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 284817 | 1 |
جهت ثبت نظر با حساب کاربری تان وارد شوید