Derin öğrenme ile uydu görüntüleri kullanılarak tarımsal arazi örtüsünün sınıflandırılması

Gıda güvensizliği, en yıkıcı etkilerinin Madagaskar gibi gelişmekte olan ülkelerde yaşandığı korkunç bir küresel olgudur. Son zamanlarda mahsul haritaları, yabani ot kontrolü, verim tahmini, mahsul izleme ve gıda güvenliğini büyük ölçüde artırabilecek diğer yenilikçi uygulamalar için geliştirilen karmaşık tarım sistemleri için paha biçilmez araçlar haline geldi. Büyük ölçeklerde doğru ürün haritaları üretmenin uygun maliyetli bir yolu, uydu görüntüsü verilerinden oluşturulan derin öğrenme sınıflandırıcılarının çıktılarını kullanmaktır. Bununla birlikte, gelişmekte olan ülkelerde tarım arazileri ayrımcılığına yönelik uydu tabanlı derin öğrenme modelinin geliştirilmesi konusunda gerçekleştirilen önceki çalışmalar, eğitim veri setinin oluşturulmasına yönelik uygun temel gerçek kayıtların bulunmamasından dolayı çok azdır. Bu çalışmada, Madagaskar'daki Antsirabe'yi bir araç olarak kullanarak arazi örtüsü ve mahsul ayrımcılığına yönelik sınıflandırıcılar geliştirmek amacıyla, Bitki Değerlendirme ve İzleme Ortak Deneyi (JECAM) yer gerçeği kaydından oluşturulan özelleştirilmiş multispektral Sentinel-2 L1C görüntü verilerine derin öğrenme algoritmaları uyguladık. ilgi bölgesi. Ayrıca, Arazi Kullanımı ve Arazi Örtüsü (LULC) ayrımcılığına yönelik derin sınıflandırıcılar oluşturmak için Eurosat arazi örtüsü veri kümesini kullanan, son teknoloji ürünü bir transfer öğrenme yöntemi olan Büyük Transferi (BiT) araştırdık. Sınıf bazlı değerlendirme metriklerini kullanarak, çift yönlü uzun kısa süreli bellek (LSTM) sınıflandırıcı, hem arazi örtüsü hem de ürün ayrımcılığı görevlerinde en yüksek performansı sergiledi ve ardından evrişim sinir ağı (CNN) ve LSTM modelinin bir melezi geldi. Sonucumuz ayrıca, model mimarisinin derinliğinin ve yukarı akış eğitimleri için kullanılan görüntü örneklerinin bolluğunun, sonuçta ortaya çıkan aşağı akış modellerinin ayrım performanslarının iyileştirilmesine katkıda bulunduğunu göstermektedir; ancak ikincisi, aşağı yönlü ayrımcılık görevleri için model performansının iyileştirilmesinde daha yüksek önem göstermektedir. Gelecekte, gelişmiş LULC ve ürün ayrımcılığı için görüntü veri setinin doğasında bulunan sınıf dengesizliği sorununu çözmek amacıyla spektral indeksler paradigmasından yararlanmayı planlıyoruz. Anahtar Kelimeler: Gıda Güvenliği, Arazi Örtüsü, Arazi Kullanımı, Derin Öğrenme, Uydu Görüntüleri, Uzaktan Algılama, Mahsul Haritalama