به‌کارگیری الگوریتم‌های آشکارسازی هدف در سری زمانی مستخرج از تصاویر چندطیفی sentinel-2 به‌ منظور پهنه‌بندی گیاهان دارویی (مطالعه موردی: گیاه بادام کوهی)

امروزه گیاهان دارویی از جایگاه ویژه‌ای در اقتصاد و سلامت جامعه برخوردارند و به دلیل آنکه بخش زیادی از این گیاهان به صورت خودرو می‌باشند، بنابراین پهنه‌بندی این گیاهان با هدف بهره‌برداری بهینه از آنها، ضروری می باشد. راهکارهای سنتی پهنه بندی به دلیل دقت و سرعت کم، از کارایی لازم برخوردار نبوده و لزوم ایجاد یک روش جدید احساس می‌شود. داده‌های سنجش از دوری به دلیل در برداشتن اطلاعات طیفی، مکانی و زمانی از پدید‌ه‌های سطح زمین، کاربردهای فراوانی در زمینه‌های مختلف از جمله آشکارسازی اهداف برخوردارند. در این مقاله از روش‌های آشکارسازی هدف شامل کمینه‌سازی مقید انرژی (cem)، فیلتر انطباقی (mf)، فیلتر انطباقی تنظیم‌شده‌ طیفی (asmf) و تخمین‌زننده‌ انطباق همدوسی (ace) به‌ منظور آشکارسازی گیاه بادام کوهی در سری زمانی تصاویر ماهواره سنتینل2 استفاده شده است. در این روند ابتدا به کمک یک فیلترگذاری اولیه، عوارض نامطلوب (مناطق غیرمحتمل رویش گیاه) از سری زمانی تصاویر حذف می شود. سپس به کمک بهینه‌سازی فراابتکاری، ویژگی‌های بهینه از سری زمانی به منظور کاهش بعد و افزایش دقت آشکارسازی، شناسایی می شود. نقشه آشکارسازی نهایی از طریق تلفیق وزندار نتایج کسب شده از هر نمونه آموزشی با سهم تعلق متفاوت از هدف تولید می گردد. ارزیابی تعمیم‌پذیری راهکار پیشنهادی به کمک ویژگی‌های بهینه انتخاب شده، در منطقه‌ای دیگر و به کمک نقشه واقعیت زمینی صورت پذیرفت. در این بررسی از منحنی مشخصه عملکرد سیستم (roc) و مساحت زیر منحنی (auc) جهت ارزیابی نتایج استفاده شد. در مرحله بهینه‌سازی به منظور انتخاب ویژگی، شاخص auc برای تمام روش‌های آشکارسازی مورد استفاده بیشتر از 0.99 بدست آمد. بهترین نتایج کسب شده در این فرایند به روش آشکارسازی cem اختصاص داشت که توانست دقت‌های 0.993 و 0.846 را به ترتیب در روند بهینه‌سازی و ارزیابی مستقل کسب کند. نتایج این تحقیق از قابلیت سری زمانی تصاویر چندطیفی سنتینل2 به منظور آشکارسازی اهدافی همچون گیاهان دارویی حکایت دارد.

Herbal plants zoning using target detection algorithms on time-series of Sentinel-2 multispectral images (Amygdalus Scoparia)

Today, medicinal plants have a special place in the economy and health of a society. Due to the natural growth of many of these products, the necessity of zoning them for optimum and optimal utilization seems necessary. Traditional zoning solutions are not efficient due to their low accuracy and speed, therefore a new approach is needed. Remote sensing data have many applications in various fields including target detection because of their spectral, spatial and temporal information of land surface phenomena. In this paper, target detection methods including Constrained Energy Minimization (CEM), Matched Filtering (MF), Adjusted Spectral Matched Filter (ASMF) and Adaptive Coherence Estimator (ACE) are used to detect Amygdalus Scoparia in Sentinel2 satellite time series images. In this process, firstly, the filtering of undesirable effects (unlikely areas of plant growth) is eliminated from the time series of images. Then, with the help of hyper heuristic optimization, the optimal features from timeseries were identified to reduce the dimension from one hand and increase the detection accuracy from the other hand. The final detection map is generated by weighting the results obtained from each training sample with a different share of the target. The generalizability of the proposed solution was evaluated using the selected optimal features elsewhere, using the ground truth map. The ROC and its subarea (AUC) are used to evaluate the results. In the optimization phase for feature selection, the AUC index for all detection methods used was greater than 0.99. The best results in this process were obtained by the CEM detection method, which achieved the accuracy of 0.993 and 0.846 in the optimization and independent evaluation, respectively. The results of this study indicate the ability of Sentinel2 multiplexed time series images to detect targets such as medicinal plants.