Australian State Automated Large-Area Land Classification with Machine Learning

طبقه‌بندی کاربری اراضی  با استفاده از تکنیک یادگیری ماشین (Machine Learning) در ایالت‌های کشور استرالیا

ایالت Queensland که در شمال شرق استرالیا واقع شده است، دارای شرایط جغرافیایی متنوعی می‌باشد که می‌توان به وجود جنگل‌های بارانی (این نوع جنگل‌ها به واسطه مقدار بارش زیاد متمایز می‌شوند)، جنگل‌های اقاقیا و اکالیپتوس، علفزارهای گرمسیری (ساوانا)، بیابان‌ها و کمربندهای مرغوب برای کشاورزی اشاره کرد. مساحت این مناطق 1730000 کیلومترمربع می‌باشد که در مقایسه با وسعت کشور انگلستان 7 بار بزرگتر می‌باشند!

بیش از 20 سال پیش، سازمان محیط زیست و علوم زمین (DES)، پروژه نقشه‌برداری از کاربری اراضی (QLUMP) را به منظور نقشه‌برداری و ارزیابی الگوهای کاربری اراضی و تغییرات آن را شروع کرد.

به صورت سنتی روش استفاده شده برای به روز رسانی نقشه‌های کاربری ارضی در QLUMP به صورت دستی و با رقومی سازی تصاویر ماهواره‌ای صورت می‌گرفت. که به دلیل وسعت زیاد ایالت Queensland هم زمان زیادی صرف می‌شد و هم منابع مالی زیادی برای این پروژه‌ها در نظر گرفته می‌شد.

Andy Clark ، محقق ارشد مرکز سنجش از دور DES گفت: چندی قبل تلاش زیادی برای اتوماتیک‌سازی پروژه QLUMP صورت گرفت که متاسفانه نتایج مورد قبول واقع نشد. از جمله روش‌های استفاده شده به ساخت درخت تصمیم‌گیری، استفاده از طیف تصاویر ماهواره‌ای و همچنین طبقه‌بندی شی گرا اشاره شده است. در نهایت آقای Clark اشاره کرد که پیدایش دید رایانه (computer vision) با تلفیق ابررایانه‌ها و ArcGIS باعث به وجود آمدن ظرفیت‌هایی می‌شود که می‌توان با دقت قابل قبول از کاربری‌های اراضی نقشه‌برداری کرد.

در سال‌های اخیر، تکنیک یادگیری ماشین که زیرمجموعه هوش مصنوعی است چنان پیشرفت کرده است که می‌توان از دید رایانه‌ای و تکنیک یادگیری عمیق در تجزیه و تحلیل تصاویر ماهواره‌ای و طبقه‌بندی آن‌ها استفاده کرد.

آقای Clark و تیمش توانسته‌اند مدلی را تهیه کنند که می‌تواند به صورت خودکار انواع مختلف کاربری اراضی را در سراسر ایالت Queensland طبقه‌بندی کند. در این مقاله به نحوه عملکرد این مدل پرداخته شده است:

تصحیح داده‌ها و آموزش فرآیند

برای تهیه یک مدل (یادگیری ماشین)، داده‌های زیادی مورد نیاز می‌باشد که خوشبختانه برای سازمان DES به واسطه ایجاد QLUMP این حجم اطلاعات در دسترس است.

Clark و تیمش برای تولید و اصلاح داده‌ها از ArcGIS Pro و ArcPy استفاده می‌کنند. آن‌ها از ابزار Reclassify برای خروجی به فایل‌های باینری رستری و همچنین از دستور Raster to Polygon برای تبدیل داده‌ها به فرمت وکتوری و در نهایت از ابزار Union برای ادغام عارضه‌های کوچکتر در عارضه‌های بزرگتر استفاده کردند. تیم QLUMP به منظور صحت‌سنجی داده‌ها از نمونه‌های تصادفی و ماتریس خطا که نرم‌افزار ArcGIS Pro فراهم می‌آورد استفاده کردند.

در تکنیک یادگیری ماشین، سازمان DES از یک شبکه عصبی حلقوی CNN بر مبنای U-net architecture استفاده می‌کند. CNNها الگوریتم‌هایی هستند که عملکرد مغز انسان را تقلید می‌کنند و می‌تواند با قرار گرفتن در معرض داده‌های بصری می‌تواند نحوه تشخیص شباهت‌ها و تفاوت‌ها را آموزش ببیند. این تیم به طور مکرر و با تغذیه  1000 داده‌های ماهواره‌ای برای شبکه عصبی موفق شدند به دقت 97 درصد دست یابند.

توسعه تکنیک یادگیری ماشین برای دیگر اراضی کاربری

علاوه بر مزارع موز حوضه رودخانه جانستون این مدل بر روی سایر مزارع پیاده‌سازی شد. Panama Tropical Race 4 یک بیماری خطرناک است که می‌تواند از طریق مزارع موز به سرعت پخش شود. در سال 2015 سازمان کشاورزی و شیلات به هنگام بررسی نمونه‌ گیاهان متوجه این موضوع شد. در آن زمان سازمان DES، هنوز سیستم دید رایانه‌ای خود را عملی نکرده بود بنابراین برای تعیین محل‌های آلوده به این بیماری در طول سال به یک تیم 5 نفره برای نقشه‌برداری به صورت دستی نیاز بود. تلاش این گروه 5 نفره بعدها برای ساخت مدل رایانه‌ای مورد استفاده قرار گرفت. در سال 2019، سازمان DES توانست با دریافت تصاویر جدید نقشه‌برداری از مزارع موز را آپدیت کند که این فرآیند تنها 4 روز به طول انجامید.

Clark گفت: از این روش می‌توان در تمام محدوده‌ها با ویژگی‌های مختلف جغرافیایی استفاده کرد چرا که این مدل برای ایالت Queensland تعریف شده است که دارای تنوع زیادی از جنگل‌های انبوه تا تک درخت‌های پراکنده را شامل می‌شود. در نهایت Clark گفت: شما برای هرچه که در تصویر مشاهده می‌ٰکنید می‌توانید الگوریتم تهیه کنید فقط و فقط به داده‌های اولیه با کیفیت نیاز دارید.

پس از پایان این پروژه، ArcGIS Pro و ArcGIS API در برنامه‌نویسی پایتون پیشرفت‌های متعددی داشته است. اکنون ArcGIS API برای پایتون از مدل U-net پیشتیبانی می‌کند علاوه بر این می‌توان با استفاده از ArcGIS Notebooks یک مدل را آموزش داد. کابران می‌توانند برای استفاده از مدل یادگیری عمیق در ArcGIS Pro از ابزار geoprocessing استفاده کنند. هم ArcGIS Pro و هم ArcGIS Notebooks تمامی مراحل را پشتیبانی می‌کنند. ترکیب این قابلیت‌ها با فناوری ArcGIS Image Server به سهولت کار کمک زیادی کرده است. به نظر می‌رسد سازمان DES در پروژه‌های آینده خود به دنبال انجام طبقه‌بندی کاربری اراضی در نرم‌افزار ArcGIS می‌باشد.

مشاهده متن کامل انگلیسی از اینجا

خلاصه فارسی از : میلاد سکندری

کد مطلب : 99031701

مشاهده کاربرد‌های دیگر