پايش تغييرات سطح زير كشت محصولات كشاورزي با استفاده از روش مبتني بر الگوريتم يادگيري عميق و تصاوير فراطيفي چند زمانه

Crop Land Change Monitoring Based on Deep Learning Algorithm Using Multi-temporal Hyperspectral Images

آشكارسازي تغييرات باهدف تجزيه‌وتحليل دو يا چند تصوير از يك منطقه كه در زمان‌هاي مختلف به‌دست‌آمده‌اند، انجام مي‌گيرد كه به‌طوركلي يكي از مهم‌ترين كاربردهاي تصاوير ماهواره‌اي در تحليل توسعه شهري، پايش محيطي و كشاورزي، ارزيابي خطر و ارزيابي تخريب بلاياي طبيعي است. ازآنجايي‌كه حل مسائل مربوط به آشكارسازي تغييرات به ‌صورت دستي يك عمليات وقت‌گير است، به همين دليل در اين پژوهش يك روش كشف تغييرات مبتني بر الگوريتم يادگيري عميق جهت توليد نقشه تغييرات در مناطق كشاورزي ارائه شده و از شبكه‌هاي يادگيري عميق به‌ منظور استخراج خودكار ويژگي­ها استفاده شد. هدف در اين مقاله بكارگيري الگوريتم هاي يادگيري عميق از نوع شبكه­هاي كانوولوشني به منظور شناسايي سطح زير كشت محصولات كشاورزي با استفاده از تصاوير فراطيفي است. يكي از انگيزه­هاي اصلي اين كار، قابليت مناسب اين شبكه هاي يادگيري عميق در شناسايي تغييرات در مناطق با پيچيدگي طيفي بالا هستند. پس از به دست آوردن تصاوير اختلاف با استفاده از الگوريتم حدآستانه گذاري اتسو، نقشه تغييرات دودويي اوليه توليد مي­شود. در مرحله بعد با استفاده از شبكه‌هاي كدگذار خودكار به استخراج ويژگي پرداخته و از شبكه‌هاي كانوولوشني جهت طبقه‌بندي پيكسل‌ها به دو كلاس تغيير و كلاس بدون تغيير استفاده شد. نهايتا با ساخت مدل يادگيري عميق و ارزيابي دقت، نقشه تغييرات نهايي توليد شد. نتايج حاصل، نشان‌دهنده پتانسيل بالاي استفاده از روش‌هاي يادگيري عميق در مسائل آشكارسازي تغييرات با استفاده از تصاوير فراطيفي مي‌باشد. به منظور ارزيابي دقت و كارايي روش پيشنهادي، از تصاوير اخذ شده توسط سنجنده هايپريون مربوط به دو مجموعه داده ابرطيفي از مزارع كشاورزي هرميستن واقع در آمريكا، و منطقه داراي پوشش هاي گياهي متنوع در اطراف تالاب شادگان واقع در جنوب خوزستان، استفاده و الگوريتم پيشنهادي مورد ارزيابي قرارگرفته است. روش پيشنهادي كشف تغييرات مبتني بر يادگيري عميق داراي دقت كلي 95% و ضريب كاپا 0.86 مي‌باشد.

Change detection is done with the purpose of analyzing two or more images of a region that has been obtained at different times which is Generally one of the most important applications of satellite imagery is urban development, environmental inspection, agricultural monitoring, hazard assessment, and natural disaster. The purpose of using deep learning algorithms, in particular, convolutional neural networks and hyperspectral imagery, here is to identify the planting area because these networks have an excellent performance in achieving change detection. In this research, we investigate to use of deep learning methods in comparison with another tradition methods for obtaining changes in an agricultural area so that, after generating difference images with the use of Otsu algorithm we generate a preliminary binary map. Then we extracted the feature by using sparse auto encoder networks and classified pixels in two categories to change and no change by using the convolutional neural networks too. In the end, we obtain a final change map by making a model and evaluation of accuracy. That we have achieved even better results, which indicates the need to use deep learning methods. Since solving, the problem manually related to change detection. To investigate capable of the proposed method, 2 datasets hyperspectral imagery from the American Hermiston agricultural fields in the United States was used and vegetation cover near the Shadegan wetland located in the south of Khuzestan province, evaluated by the Hyperion sensor. The proposed method compared to other methods has an overall accuracy of 95% and the kappa coefficient of 0.86.