استفاده از تصاویر سنجش از دور سنتینل 2 برای بهبود تفکیک‏ پذیری محصولات زراعی با بهره ‏گیری از روش‏ های هوش مصنوعی به‏ منظور مدیریت بهره ‏برداری آب از مخازن سدها

محدودیت منابع آبی همواره از موانع اصلی توسعۀ بخش کشاورزی به‏عنوان بستر اصلی نیل به خودکفایی مواد غذایی مطرح بوده است. یکی از کاربردهای مهم تصاویر سنجش از دور، در حوزۀ فعالیت‏های کشاورزی است. در تحقیق حاضر از تصاویر ماهوارۀ سنتینل 2 برای تفکیک محصولات کشاورزی در محدودۀ شهرستان ارومیه به‏صورت روش‏های مبتنی بر ورودی‏های چندزمانی استفاده شده است. به دلیل تغییرات طیفی محصولات طی دورۀ رشد، به‌کارگیری تصاویر چندزمانی مطابق با تقویم زراعی محصولات، نقش مهمی در تفکیک این محصولات ایفا می‏کند. در این طبقه‏بندی تمامی ورودی‏ها دارای تاثیر یکسان در طبقه‏بندی در نظر گرفته می‏شوند که این امر خلاف واقعیت است. بنابراین، به منظور افزایش دقت طبقه‏بندی و بهبود نتایج، به هر یک از ورودی‏های چندزمانی، وزن مناسبی باید اختصاص یابد که در پژوهش حاضر انتخاب وزن‏های بهینه برای تمام ورودی‏ها با بهره‏گیری از الگوریتم ژنتیک مورد توجه قرار گرفته است. بهینه کردن طبقه‏بندی تصاویر ماهواره‏ای به روش کمترین فاصله توسط الگوریتم ژنتیک به دو حالت انجام یافته است؛ در حالت نخست تاثیر تعداد نرون‏های لایۀ میانی و انتخاب پارامترهای بهینه برای شبکۀ عصبی و در حالت دوم، تاثیر ترتیب معرفی نمونه‏های آزمایشی بررسی شده است. در حالت نخست تعداد 4 تا 20 نرون برای لایۀ میانی و مقداری بین صفر و یک برای میزان آموزش و ضریب مومنتوم انتخاب و ارزیابی شده و در حالت دوم ترتیب‏های مختلفی از معرفی نمونه‏های آموزشی ارزیابی شده‏اند. نتایج نشان داد بهینه شدن ترتیب معرفی نمونه‏های آموزشی، موجب افزایش 4.5 درصدی در دقت محاسبات شده است. بنابراین، ترتیب معرفی نمونه‏های آزمایشی در مقایسه با سایر پارامترها، بیشترین تاثیر را در همگرایی شبکه و حصول به نتایج بهینه داشته است. همچنین، مقایسۀ دو طبقه‏بندی استاندارد و بهینه‌شده، نشان داد مقدار کاپا از 86 درصد در حالت استاندارد به مقدار 90.5 درصد در حالتی که ورودی‏ها به صورت بهینه وزن‏دهی شده‏اند، افزایش یافته است.