به‌كارگيري الگوريتم‌هاي آشكارسازي هدف در سري زماني مستخرج از تصاوير چندطيفي Sentinel-2 به‌ منظور پهنه‌بندي گياهان دارويي (مطالعه موردي: گياه بادام كوهي)

امروزه گياهان دارويي از جايگاه ويژه‌اي در اقتصاد و سلامت جامعه برخوردارند و به دليل آنكه بخش زيادي از اين گياهان به صورت خودرو مي‌باشند، بنابراين پهنه‌بندي اين گياهان با هدف بهره‌برداري بهينه از آنها، ضروري مي­باشد. راهكارهاي سنتي پهنه­بندي به دليل دقت و سرعت كم، از كارايي لازم برخوردار نبوده و لزوم ايجاد يك روش جديد احساس مي‌شود. داده‌هاي سنجش از دوري به دليل در برداشتن اطلاعات طيفي، مكاني و زماني از پديد‌ه‌هاي سطح زمين، كاربردهاي فراواني در زمينه‌هاي مختلف از جمله آشكارسازي اهداف برخوردارند. در اين مقاله از روش‌هاي آشكارسازي هدف شامل كمينه‌سازي مقيد انرژي (CEM)، فيلتر انطباقي (MF)، فيلتر انطباقي تنظيم‌شده‌ طيفي (ASMF) و تخمين‌زننده‌ انطباق همدوسي (ACE) به‌ منظور آشكارسازي گياه بادام كوهي در سري زماني تصاوير ماهواره سنتينل-2 استفاده شده است. در اين روند ابتدا به كمك يك فيلترگذاري اوليه، عوارض نامطلوب (مناطق غيرمحتمل رويش گياه) از سري زماني تصاوير حذف مي­شود. سپس به كمك بهينه‌سازي فراابتكاري، ويژگي‌هاي بهينه از سري زماني به منظور كاهش بعد و افزايش دقت آشكارسازي، شناسايي مي­شود. نقشه­ آشكارسازي نهايي از طريق تلفيق وزندار نتايج كسب شده از هر نمونه­ آموزشي با سهم تعلق متفاوت از هدف توليد مي­گردد. ارزيابي تعميم‌پذيري راهكار پيشنهادي به كمك ويژگي‌هاي بهينه­ انتخاب شده، در منطقه‌اي ديگر و به كمك نقشه واقعيت زميني صورت پذيرفت. در اين بررسي از منحني مشخصه عملكرد سيستم (ROC) و مساحت زير منحني (AUC) جهت ارزيابي نتايج استفاده شد. در مرحله بهينه‌سازي به منظور انتخاب ويژگي، شاخص AUC براي تمام روش‌هاي آشكارسازي مورد استفاده بيشتر از 99/0 بدست آمد. بهترين نتايج كسب شده در اين فرايند به روش آشكارسازي CEM اختصاص داشت كه توانست دقت‌هاي 993/0 و 846/0 را به ترتيب در روند بهينه‌سازي و ارزيابي مستقل كسب كند. نتايج اين تحقيق از قابليت سري زماني تصاوير چندطيفي سنتينل-2 به منظور آشكارسازي اهدافي همچون گياهان دارويي حكايت دارد.

Today, medicinal plants have a special place in the economy and health of a society. Due to the natural growth of many of these products, the necessity of zoning them for optimum and optimal utilization seems necessary. Traditional zoning solutions are not efficient due to their low accuracy and speed, therefore a new approach is needed. Remote sensing data have many applications in various fields including target detection because of their spectral, spatial and temporal information of land surface phenomena. In this paper, target detection methods including Constrained Energy Minimization (CEM), Matched Filtering (MF), Adjusted Spectral Matched Filter (ASMF) and Adaptive Coherence Estimator (ACE) are used to detect Amygdalus Scoparia in Sentinel-2 satellite time series images. In this process, firstly, the filtering of undesirable effects (unlikely areas of plant growth) is eliminated from the time series of images. Then, with the help of hyper heuristic optimization, the optimal features from time-series were identified to reduce the dimension from one hand and increase the detection accuracy from the other hand. The final detection map is generated by weighting the results obtained from each training sample with a different share of the target. The generalizability of the proposed solution was evaluated using the selected optimal features elsewhere, using the ground truth map. The ROC and its subarea (AUC) are used to evaluate the results. In the optimization phase for feature selection, the AUC index for all detection methods used was greater than 0.99. The best results in this process were obtained by the CEM detection method, which achieved the accuracy of 0.993 and 0.846 in the optimization and independent evaluation, respectively. The results of this study indicate the ability of Sentinel-2 multiplexed time series images to detect targets such as medicinal plants.