جلد 11، شماره 2 - ( 10-1404 )
جلد 11 شماره 2 صفحات 365-342 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shojaei M J, Milan A. Detection and classification of environmental anomalies using multi-temporal sentinel-2 satellite imagery and lightweight machine learning. KJES 2025; 11 (2) :342-365
URL: http://gnf.khu.ac.ir/article-1-2964-fa.html
URL: http://gnf.khu.ac.ir/article-1-2964-fa.html
شجاعی محمد جواد، میلان اصغر. تشخیص و طبقهبندی ناهنجاریهای محیطی با استفاده از تصاویر چندزمانه ماهوارهای سنتینل -۲ و یادگیری ماشین سبک. علوم زمین خوارزمی. 1404; 11 (2) :342-365
1- دانشگاه شهید بهشتی
2- دانشگاه شهید بهشتی ،a_milan@sbu.ac.ir
2- دانشگاه شهید بهشتی ،
چکیده: (283 مشاهده)
پایش تغییرات پوشش گیاهی و ناهنجاریهای محیطی برای مدیریت اکوسیستمها، کشاورزی دقیق و سامانههای هشدار زودهنگام ضرورری است. با توجه به پیچیدگی الگوهای زمانی–مکانی تغییرات محیطی، دادههای ماهوارهای چندزمانه رویکردی کارآمد برای ردیابی تغییرات تدریجی و ناگهانی ارائه میدهند. در این پژوهش، از دادههای سریزمانی سنجنده سنتینل-۲ و شاخصهای طیفی NDVI، EVI و NBR بهعنوان شاخصهای حساس به کلروفیل و اختلالات شدید و الگوریتمهای سبک و بدونناظر جنگل جداساز، عامل ناهنجاری محلی و ماشین بردار پشتیبان تککلاسه، برای شناسایی ناهنجاریها بهرهگرفته شده است. ارزیابی عملکرد مدلها نشان داد که الگوریتم جنگل جداساز، متعادلترین و پایدارترین کارایی را ارائه میدهد (Accuracy = 0.886, Precision = 0.065, Recall = 0.250, F1 = 0.103). الگوریتم عامل ناهنجار محلی در شناسایی الگوهای موضعی حساسیت بیشتری نشان داد، اما در دادههای دارای نویز ثبات پایینتری داشت (F1=0.069). الگوریتم ماشین بردار تک کلاسه رویکرد محافظهکارانهتری در برچسبگذاری ناهنجاریها اتخاذ کرد و عمدتاً در تشخیص اختلالات شدید، بهویژه در شاخص NBR, مؤثرتر بود (F1=0.035). تحلیل همپوشانی و تمایز شاخصها نشان میدهد NDVI کاهش تدریجی کلروفیل را ثبت میکند، EVI در پوشش گیاهی متراکم و NBR در شناسایی رخدادهای شدید نظیر آتشسوزی و خشکسالی نقش مکمل ایفا میکنند. استفاده همزمان از این شاخصها دامنه قابل تشخیص از نوسانات ظریف تا اختلالات گسترده را پوشش میدهد. یافتهها نشان میدهد که تلفیق دادههای سنتینل-۲ با مدلهای سبک یادگیری ماشین، چارچوبی قابلتوسعه، بازتولیدپذیر و کارا برای پایش ناهنجاریهای محیطی در مقیاسهای وسیع فراهم میسازد. این رویکرد وابستگی به دادههای میدانی پرهزینه را به حداقل رسانده و امکان استفاده عملی در پایش خشکسالی، مدیریت بحرانهای محیطی، پایش سلامت اکوسیستمها و برنامهریزی کشاورزی هوشمند را فراهم میکند. برای تحقیقات آینده، تلفیق دادههای طیفی مرتبط با رطوبت و حرارت، سریهای زمانی با تفکیک زمانی بالاتر و بهکارگیری تنظیم پارامترهای فراابتکاری پیشنهاد میشود تا پایداری و دقت بیشتر حاصل گردد.
واژههای کلیدی: ناهنجاریهای محیطی، شاخصهای طیفی، یادگیری ماشین، تصاویر ماهوارهای چندزمانه، الگوریتمهای سبک.
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
سنجش از دور و سامانه اطلاعات جغرافیایی
دریافت: 1404/8/15 | پذیرش: 1404/10/5 | انتشار: 1404/10/10
دریافت: 1404/8/15 | پذیرش: 1404/10/5 | انتشار: 1404/10/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
