كاربرد شبكه كانولوشني LSTM در طبقه‌بندي محصولات كشاورزي با استفاده از سري زماني NDVI

تغييرات رشد محصولات كشاورزي در فواصل زماني نسبتاً كوتاه، ناهم‌زماني كشت محصولات مشابه، شباهت طيفي ميان محصولات گوناگون در برخي از زمان‌هاي دوره كشت و كمبود داده‌هاي زميني، طبقه‌بندي محصولات زراعي در تصاوير ماهواره‌اي را به كاري چالش‌برانگيز مبدل مي‌كند. تغيير مقدار درصد پوشش و سبزينگي، در طول فصل رشد، از برجسته‌ترين ويژگي پوشش‏‌هاي گياهي ازجمله محصولات كشاورزي است كه مي‌توان بر آن نظارت كرد. اين كار با استفاده از سري زماني شاخص‌هاي گياهي انجام مي‌شود كه اطلاعات بسيار مفيدي از توالي ويژگي‌هاي فنولوژيك محصولات كشاورزي در اختيار ما قرار مي‌دهد. استفاده از روش‌هاي يادگيري عميق با توانايي يادگيري اطلاعات متوالي حاصل از اين سري‌ها مي‌تواند، در طبقه‌بندي محصولات كشاورزي و كاهش وابستگي به داده‌هاي زميني، مفيد باشد. شبكهLong - Short Term Memory (LSTM) يكي از انواع شبكه‌هاي عصبي بازگشتي در تجزيه و تحليل داده‌هاي متوالي است كه توانايي يادگيري توالي‌هاي بلندمدت در سري زماني را دارد؛ بنابراين در اين مطالعه، پس از محاسبه شاخص NDVI از باندهاي ماهواره سنتينل‌ـ 2 در نُه تاريخ متفاوت و تشكيل سري زماني آن شاخص براي ورود به شبكه، دو ناحيه متفاوت در دشت مغان در نظر گرفته شد كه محصولات كشت‌شده در آنها، طي عمليات زميني، برداشت شده بود. در ناحيه اول، شبكه كانولوشني LSTM براي طبقه‌بندي محصولات آموزش ديد و در ناحيه ديگر، كارآيي اين شبكه آموزش‌ديده در طبقه‌بندي محصولات ارزيابي شد و دقت كلي 82% و ضريب كاپاي 0.8 به‌دست آمد. افزايش تعداد نمونه‌هاي زميني و انتخاب مرز دقيق محصولات، مي‌تواند كارايي روش مورد استفاده را افزايش دهد.