پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 418 |
| تعداد شماره‌ها | 9,997 |
| تعداد مقالات | 83,560 |
| تعداد مشاهده مقاله | 77,800,539 |
| تعداد دریافت فایل اصل مقاله | 54,843,366 |
تشخیص و استخراج درختان نخل از تصاویر ماهواره ای با قدرت تفکیک مکانی بالای گوگل ارث بر مبنای شبکه‌های یادگیری عمیق باقیمانده | ||
| سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 آذر 1401 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30495/girs.2022.697278 | ||
| نویسندگان | ||
| مصطفی کابلی زاده* 1؛ کاظم رنگزن1؛ محمد عباسی2 | ||
| 1گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز | ||
| 2گروه سنجش از دور و GIS | ||
| چکیده | ||
| شناسایی موقعیت درختان اولین گام جهت مدیریت فضای سبز، باغ‌ها و جنگل‌ها است. تهیه نقشه موقعیت درختان می‌تواند با عملیات زمینی نقشه‌برداری که نیاز به هزینه و زمان زیادی دارد یا با استفاده از تصاویر هوایی یا ماهواره‌ای انجام شود. در این پژوهش از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالای گوگل ارث برای تشخیص و استخراج درختان نخل با توجه به نقش و اهمیت درخت نخل در مناطق جنوبی ایران استفاده شده است، اما تشخیص خودکار درخت از تصاویر ماهواره‌ای یک چالش است. در این راستا روش‌های یادگیری عمیق به عنوان یک راه‌حل مهم برای استخراج اشیا از تصاویر مطرح هستند. در این تحقیق از روش‌های یادگیری عمیق باقیمانده با تعداد لایه‌های 18، 34 و 50 استفاده شده است. ابتدا بیش از 3000 نمونه تصویر در دو کلاس حاوی درخت نخل و بدون درخت نخل با ابعاد 64 در 64 پیکسل بریده شده و سپس مدل‌ها با 80 درصد نمونه‌ها برای یادگیری و 20 درصد برای اعتبارسنجی با 30 دوره تکرار و دقت بالای 99 درصد برای هر سه مدل آموزش داده شده است. مدل آموزش دیده بر روی 500 نمونه تست اجرا شده و نتایج ارزیابی هرسه مدل نشان داد که معیار دقت بیش از 0.96 و معیار بازیابی برابر 1 و معیار F1Score بیش از 0.98 است. اجرای مدل‌ها بر روی تصاویر ماهواره‌ای گوگل ارث با حرکت پنجره 64 در 64 پیکسل با گام 16 پیکسل و سپس اعمال روش سرکوب غیرحداکثری نشان می‌دهد که می‌توان از تصاویر ماهواره‌ای سامانه گوگل ارث برای تهیه نقشه موقعیت درختان نخل استفاده نمود. با توجه به زمان پردازش و امکان برآورد بهتر تعداد و استخراج موقعیت درختان نخل، مدل یادگیری عمیق باقیمانده با 34 لایه پیشنهاد شد. | ||
| کلیدواژه‌ها | ||
| یادگیری ماشین؛ تشخیص خودکار؛ استخراج اهداف؛ شبکه عصبی کانولوشنال | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 461 |
||