چکيده
با توجه به توسعه روزافزون سيستمهاي سنجش از دور و در دسترس قرار گرفتن آنها، امروزه تخمين سطح زير كشت محصولات كشاورزي با استفاده از اين داده ها مورد توجه بيشتري قرار گرفته است. نوع محصولات با استفاده از مشخصات بازتابش آنها، ويژگيهاي مكاني و تكامل زماني بازتابهاي راداري از يكديگر قابل تميز هستند. با افزايش حجم داده هاي موجود، استفاده از روشهاي يادگيري ماشين براي تحليل دنباله تصاوير ماهواره اي به صورت خودكار مورد استقبال قرار گرفته است. به طور ويژه، در سالهاي اخير روشهاي مبتني بر يادگيري عميق در كاربردهاي مختلف تصاوير ماهواره اي از جمله تشخيص اهداف و تخمين محصولات كشاورزي استفاده شده است. از مشكلات پيش رو مي توان به عدم وجود داده هاي برچسب خورده كافي، نياز به حضور مستقيم بر سر زمين جهت تعيين مختصات جغرافيايي زمين هاي كشاورزي و نويز موجود در تصاوير راداري اشاره كرد.
در اين سمينار به معرفي روش هايي خواهيم پرداخت كه بتوانند با استفاده از تصاوير ماهواره اي (راداري و مرئي)، سطح زير كشت محصولات كشاورزي را جهت تصميم گيري هاي كلان كشوري به صورت خودكار، بدون نياز حضور عامل انساني در محل و با دقت بالا انجام دهند. روش هاي پركاربرد تا به امروز استفاده از الگوريتمهاي پايه اي يادگيري ماشين بوده كه اخيراً شبكه هاي عصبي عميق با توانايي كار با داده هاي سري زماني نيز به آنها اضافه گرديده است. در اين سمينار تاكيد بيشتر روي تصاوير راداري خواهد بود كه قابليت تصويربرداري در شب و شرايط ابري و باراني را دارا هستند. تخمين دقيق سطح زير كشت محصولات كشاورزي، پايه اي براي تخمين ميزان توليد محصولات كشاورزي در آينده مي باشد. هردوي اين ها نقش مهمي در اتخاذ سياست هاي اقتصادي دارند. چرا كه تصميم گيري درباره ي زمان و حجم واردات و صادرات محصولات كشاورزي بر اساس اين پيش بيني ها صورت مي پذيرد. تخمين و محاسبات درست و خودكار هم مي تواند به كاهش هزينه هاي زماني و مالي منجر شود و هم تصميم گيري دولت بر اساس نتايج درست اين پيش بيني ها مي تواند براي كشور مفيد باشد.
