طبقه‌بندي پوشش كشاورزي سطح زمين با استفاده از تصاوير ماهواره‌اي

كارشناسي ارشد

نقشه‌هاي به‌روز از زمين‌هاي كشاورزي در حل مشكلاتي مانند كنترل منابع آبي و غذايي، خشك‌سالي، و شيوع برخي از بيماري‌ها مانند آنفلوآنزاي مرغي اهميت به‌سزايي دارند. يكي از موانع اصلي در طبقه‌بندي زمين‌هاي كشاورزي با استفاده از تصاوير ماهواره‌اي، كمبود داده زميني يا همان برچسب كافي براي آموزش مدل است. تصاوير بدون برچسب فراوان هستند، اما نحوه بهره‌برداري از آن‌ها يك مسئله باز است. ما در اين كار نشان خواهيم داد كه چگونه با استفاده از يادگيري خود‌هدايت‌شده مي‌توان از پتانسيل اين تصاوير برچسب نخورده در بهبود طبقه‌بندي زمين‌هاي كشاورزي استفاده كرد. اين روش در حد چشم‌گيري مد‌ل‌ها را براي مناطقي كه تنها تعداد محدودي نمونه برچسب‌خورده دارند تقويت مي‌كند. مدل حاصل در برابر نويز مقاوم مي‌شود، و دقت بسيار بالاتري را در بازه گسترده‌اي از آزمايش‌ها نشان مي‌دهد. اين بهبود بسته به شرايط آزمايش‌ها از حدود 2٪ تا بيش از 60٪ است. همچنين، نشان خواهيم داد كه يادگيري خود‌هدايت‌شده به ما اجازه مي‌دهد تا روش موثري را براي انطباق حوزه پياده‌سازي كنيم. به‌كمك آن مي‌توان از داده برچسب‌خورده در مناطق ديگر زمين براي طبقه‌بندي يك منطقه بدون برچسب بهره برد. اين روش دقت مدل را براي يك منطقه بدون برچسب حدود 24٪ بهبود بخشيد. اين كار سبب مي‌شود تا ما اتكا كمتري به آمارگيري‌هاي دستي داشته باشيم، و در نتيجه هزينه‌ها را در حد قابل توجهي كاهش دهيم. روش‌هاي ساده از يادگيري انتقالي معمولاً براي اين مسئله مناسب نيست، مگر آن‌كه حوزه هدف از نظر مسائلي مانند آب‌و‌هوا و خواص خاك شباهت زيادي به حوزه مبدأ داشته باشد. با اين حال، ما با انتقال دانش توسط يك مدل از پيش آموزش ديده حدود 1٪ بهبود كسب كرديم. علاوه بر آن، ما با اجراي يك تحليل جامع و دقيق از تفاوت بين دو حوزه كه از معيار‌هاي واگرايي كول‌بك و اطلاعات مشترك استفاده مي‌كند، نقش ويژگي‌هاي ورودي متفاوت مانند شاخص‌هاي سبزينگي را در توانايي شبكه عصبي براي يادگيري ويژگي‌هاي مستقل از حوزه بررسي كرديم. اين روش تحليل براي ارزيابي مستقل از حوزه بودن مدل‌هايي كه براي يادگيري انتقالي پيشنهاد مي‌شوند مفيد است. مهم‌تر از آن، با استفاده از اين روش مي‌توان مناطق مشابه را به‌صورت سيستماتيك پيدا كرد تا يادگيري انتقالي مفيدتر عمل كند.

195945

دانشگاه علم و صنعت ايران

محمدرضا محمدي

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

محسن سرياني