ادغام سری زمانی تصاویر سنتینل-1 و لندست-8 با استفاده از شبکه ی خودرمز نگار برای طبقه بندی محصولات کشاورزی

نقشه برداری محصولات زارعی با استفاده از فناوری سنجش از دور از اهمیت اقتصادی بالایی برخوردار می باشد. با توجه به رشد جمعیت و پیامدهای چند برابری تولید جهانی غذا، داده های کشاورزی دقیق و مورد اعتماد از اهمیت بسزایی برخوردار است. همچنین، پایش و نقشه برداری محصولات زراعی، نقش مهمی در برنامه ریزی های کشاورزی دارد. امروزه مدیریت هوشمند مزارعی همچون گندم، ذرت و سورگوم با فناوری سنجش از دور و بکارگیری الگوریتم های یادگیری عمیق بهبود یافته است. در این مطالعه، به منظور تفکیک یا دقت بالای کلاس گندم، ذرت و سورگرام از سایر کلاس ها در بخشی از ایالات متحده آمریکا در تصاویر سری زمانی لندست-8 و سنتینل-1 در سال 2021، از شبکه یادگیری عمیق خودرمز نگار استفاده شده است. نتایج پژوهش حاضر نشان داد، که استفاده از تلفیق تصاویر نوری و راداری نسبت به استفاده مجزا از آن ها در شبکه مورد نظر، منجر به تفکیک دقیق تر محصولات زراعی فوق شد. در کل، استفاده از رویکرد پیشنهادی منجر به دقت کلی 43/95 درصد و ضریب کاپای 91/84 درصد شده است که با توجه به استفاده از نقشه زراعی دقیق به عنوان داده های ارزیابی از منطقه مورد مطالعه، می توان از آن به عنوان یک روش عملی و دقیق به منظور تفکیک محصولات فوق الذکر در کشور ایران به استفاده کرد.

time series fusion of sentinel-1 and landsat-8 images using autoencoder network for classification of agricultural crop

mapping agricultural products using remote sensing technology is of great economic importance. given the growth of the population and the multiple impacts on global food production, accurate and reliable agricultural data is highly important. in addition, monitoring and mapping of agricultural products plays an important role in agricultural planning. today, smart management of crops such as wheat, corn, and sorghum has improved with remote sensing technology and the use of deep learning algorithms. in this study, a deep learning autoencoder network was used to distinguish or accurately classify wheat, corn, and sorghum from other classes in a part of the united states using landsat-8 and sentinel-1 time series images in 2021. the results of the study showed that the integration of optical and radar images in the network led to a more accurate distinction of agricultural products. overall, the use of this approach resulted in an accuracy rate of 95.43% and a kappa coefficient of 84.91% when using accurate agricultural maps as evaluation data for the study area. this suggests that this practical and accurate approach can be used to classify the above agricultural products in iran.