26258

طبقه بندي زمين هاي كشاورزي با استفاده از تصاوير ماهواره اي راداري

كارشناسي ارشد

مهندسي كامپيوتر گرايش هوش مصنوعي و روباتيكز

1400/09/06

محمدرضا محمدي

محسن سرياني - شاهرج جليليان

مهندسي كامپيوتر

شناسايي زمين‌هاي كشاورزي و برآورد محصول نقش اساسي در سياست‌هاي اقتصادي و غذايي يك كشور دارد. استفاده از يادگيري ماشين و تصاوير ماهواره‌اي هزينه‌ي اين محاسبات را كاهش داده و آن را خودكار و سريع مي‌سازد. در اين پژوهش از داده‌هاي SAR استفاده مي‌كنيم. دليل استفاده از اين تصاوير قابليت تشكيل آنها فارغ از زمان شبانه روز بودن زمان تصويربرداري و مقاومت آنها در برابر آلودگي و ابرها است. يك چالش مهم در حوزه‌ي سنجش از دور ، كمبود تصاوير برچسب‌دار است. ماهواره‌هاي متعددي مدام در حال توليد تصاوير ماهواره‌اي هستند ولي توليد برچسب همگام با توليد تصوير نيست و اين امر يك چالش مهم در نحوه‌ي بهره‌برداري از تصاوير ماهواره‌اي است. هدف ما در اين تحقيق اين است كه مدلي بسازيم كه بتواند زمين‌هاي كشاورزي شمال ايران را به درستي شناسايي كند اما تصاوير راداري برچسب‌دار براي ايران در دسترس قرار ندارد. با اين حال، مجموعه دادگان برچسب‌دار براي كشورهاي ديگر از جمله ايالات متحده در دسترس است. با توجه به متفاوت بودن توزيع دادگان در دو كشور ايران و ايالات متحده، مدل آموزش ديده در يك كشور، در كشور ديگر با افت دقت و كارايي مواجه شد. براي حل اين چالش از ايده انطباق حوزه استفاده كرديم تا با كمك گرفتن از تصاوير برچسب‌دار در كشور مبدأ و تصاوير بدون برچسب در كشور مقصد مدل را به گونه‌اي آموزش دهيم تا در حوزه مقصد عملكرد قابل قبولي داشته باشد. ما در آزمايش‌هاي خود دو روش كلي انطباق حوزه را بررسي كرديم. يكي ترجمه‌ي تصاوير از حوزه‌ي مبدأ به مقصد و ديگري هم‌ترازي نقشه‌هاي ويژگي دو حوزه‌ي مبدأ و مقصد بود. در رويكرد ترجمه‌ي تصاوير، ما به دنبال آن بوديم تا ضمن حفظ محتوي تصاوير حوزه‌ي مبدأ، به آنها سبك تصاوير حوزه‌ي مقصد را بدهيم طوري كه گويا اين تصاوير از حوزه‌ي مقصد نمونه‌برداري شده‌اند. در اين روش، مدلي كه ابتدا روي تصاوير حوزه‌ي مبدأ آموزش ديده است با استفاده از تصاوير ترجمه شده تنظيم دقيق شد تا در حوزه‌ي مقصد عملكرد خوبي داشته باشد. رويكرد دوم شامل دو گام آموزشي به ازاي يك دسته تصوير بود. گام اول مدل با استفاده از تصاوير و برچسب‌هاي حوزه‌ي مبدأ آموزش ديد و در گام دوم تنها با استفاده از تصاوير دو حوزه‌ي مبدأ و مقصد سعي شد وزن‌هاي مدل به گونه‌اي تنظيم گردند تا توزيع نقشه‌هاي ويژگي توليد شده‌ براي تصاوير دو حوزه‌ي مبدأ و مقصد هم‌تراز گردند تا بدين صورت مدل نتواند دو حوزه را از هم تميز دهد و عملكرد يكساني براي وظيفه‌ي ناحيه‌بندي معنايي براي دو حوزه داشته باشد. مشاهده كرديم اين دو روش كلي براي تصاوير راداري مؤثر واقع نشدند و اين مي‌تواند به ويژگي‌هاي ارائه شده توسط اين تصاوير و محدوديت‌هاي اين دسته از تصاوير برگردد.

1400/12/21

CROPLAND CLASSIFICATION USING RADAR SATELLITE IMAGES

11/27/2022 12:00:00 AM

Cropland classification and products estimation play a key role in the economy and food policy of every country. Using machine learning methods and satellite imagery has reduced the cost of these computations and made them automatic and fast. We have used SAR images in this thesis. The reason for using such images refers to capturing these images even in cloudy weather and in the nighttime is possible. We have some challenges in the remote sensing domain such as a lack of labels for images. Multiple satellites produce images every day but labeling these images is not synchronized with image production and it is one of the main challenges in the usages of these images. Our goal in this thesis was to create a model to classify croplands in the north of Iran, but we didn't find a labeled dataset for our research in Iran and tried to benefit the labeled dataset of the United States. Because data distribution of images captured in Iran and the United States are different, the performance of the model trained on Unite States images would be degraded if we want to predict labels of Iran's dataset. We tried to overcome this issue by using domain adaptation techniques with unsupervised methods which by using the labeled images of the source country and the images of the target with no labels, train the model in such a way that performs well in the target domain. We used two main methods in domain adaptation for our research. One is image translation and the other is feature maps alignments of source and target images. In the image translation approach, we wanted to keep the content of source images and give them the style of target images, so they can be treated as images sampled from the target dataset. In this method, we fine-tuned the model trained on the source dataset with translated images. The second approach includes two training steps for each batch of images. In the first step model is trained with a labeled source dataset and in the second step we tried to make feature maps of both domain images align by tuning the model's weights to the model couldn't discriminate source and target images so have the same performance in semantic segmentation task on both domains. We observed that these two general methods did not work for SAR images. Its reason can be the inherent limitations of these images and their characteristics.

سنجش از دور , يادگيري بدون ناظر , انطباق حوزه , يادگيري عميق , طبقه بندي زمين هاي كشاورزي , تصاوير ماهواره اي , تصاوير ماهواره اي راداري , ناحيه بندي معنايي

Remote sensing , Unsupervised learning , Domain adaptation , Deep learning , Cropland classification , Satellite imagery , Semantic segmentation

Saeed Kermanshahi

Mohammadreza Mohammadi