CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

استخراج مناطق آبزی پروری فراساحلی با استفاده از تصاویر ماهواره سنتینل-۲ و تکنیک های یادگیری عمیق

عنوان مقاله: استخراج مناطق آبزی پروری فراساحلی با استفاده از تصاویر ماهواره سنتینل-۲ و تکنیک های یادگیری عمیق
شناسه ملی مقاله: EARTHSCI03_005
منتشر شده در سومین کنفرانس ملی داده کاوی در علوم زمین در سال 1401
مشخصات نویسندگان مقاله:

سیدحمیدرضا میرنعمتی - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی دانشکده علوم زمین ، دانشگاه شهید بهشتی ، تهران، ایران
سپیده کاشانی - دانشجوی کارشناسی زمین شناسی دانشکده علوم زمین، دانشگاه شهید بهشتی ، تهران، ایران

خلاصه مقاله:
استخراج مناطق آبزی پروری دریایی از تصاویر سنجش از دور با وضوح متوسط برای پایش، برنامه ریزی علمی و مدیریت آبزی پروری مهم است. با این حال، در تصاویر با وضوح متوسط، ویژگی های طیفی مناطق آبزی پروری فراساحل پیچیده است و خشکی و آب دریا به طور جدی. تداخل با استخراج مناطق آبزی پروری فراساحلی. از سوی دیگر، در تصاویر با وضوح متوسط، به دلیل وضوح تصویرنسبتا پایین، مرزهای بین مناطق پرورش نسبتا مبهم هستند و به احتمال زیاد به یکدیگر می چسبند.یک مدل U-Net بهبود یافته، از جمله، به ویژه، یک ساختار هرم فضایی آتروس (ASPP) و یک ساختار نمونه برداری بالا، برای استخراج منطقه آبزی پروری دریایی در این مقاله پیشنهاد شده است. ساختار بهبود یافته ASPP و ساختار نمونه گیری بالا میتواند اطلاعات معنایی و اطلاعات مکان را بهتر استخراج کند، بر تداخل سایر اطلاعات در تصویر غلبه کند و "چسبندگی" را کاهش دهد. بر اساس تصاویر ماهواره سنتینل(MSI) ۲- سواحل شمال شرقی استان فوجیان ، استخراج منطقه آبزی پروری دریایی مورد مطالعه قرار گرفت. بر اساس مدل بهبود یافته U-Net ، امتیاز F ۱ و میانگین تقاطع بیش از اتحادیه (MIoU) نتایج طبقه بندی به ترتیب ۸۳/۷۵ و ۷۳/۷۵ درصد بود. نتایج نشان می دهد که در مقایسه با چندین روش طبقه بندی رایج، مدل بهبود یافته U-Net عملکرد بهتری دارد.این همچنین نشان می دهد که مدل بهبود یافته U-Net می تواند به طور قابل توجهی بر تداخل اطلاعات نامربوط غلبه کند، مناطق آبزی پروری را شناسایی کند و به طور قابل توجهی چسبندگی لبه مناطق آبزی پروری را کاهش دهد.

کلمات کلیدی:
تصویر سنجش از دور، منطقه آبزی پروری دریایی، یادگیری عمیق، U-Net، طبقه بندی

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1674100/