24041

MAP2 118

كارشناسي ارشد

مهندسي نقشه برداري- فتوگرامتري

مهندسي عمران و حمل و نقل

1403/07/02

122 ص.

مهران ستاري آبروي

سنتينل-1 , سنتينل-2 , جنگل زدايي , تلفيق در سطح تصميم گيري , قطعه بندي معنايي , يادگيري عميق

نقشه جنگل‌زدايي اطلاعات بسيار كاربردي را در جهت مديريت كارآمد منابع جنگل ارائه مي‌دهد. به‌علت ناتواني تصاوير نوري، نظير لندست-8 و سنتينل-2، هنگام وجود ابر حين اخذ تصاوير، كه غالباً در نواحي گرمسيري رخ مي‌دهد و بخش اعظمي از سال را در بر مي‌گيرد، مي‌بايست از داده‌هاي مكمل براي تحقق اين امر بهره‌گيري نمود. يكي از جايگزين‌هاي موجود براي اين كار، تصاوير راداري با دريچه مصنوعي (SAR) مي‌باشد كه در تمامي شرايط آب و هوايي و در طول شبانه‌روز قادر به اخذ تصاوير است. هدف اين تحقيق، پيشنهاد يك روش براي از بين بردن محدوديت ذكر شده از طريق ادغام تصاوير نوري و راداري مي‌باشد. به طور خاص براي هر يك از اين نوع داده‌ها، از تصاوير سنتينل-1 و سنتينل-2 استفاده مي‌شود و همچنين تلفيق تصاوير مذكور با استفاده از يادگيري عميق، در جهت بهبود نقشه دقيق جنگل‌زدايي انجام مي‌گيرد. طبق نتايج به‌دست‌آمده، نقشه جنگل‌زدايي با استفاده از تلفيق تصاوير نوري و راداري داراي دقت قطعه‌بندي مناسب‌تري نسبت به زماني است كه از هر سنجنده به‌صورت مستقل در جهت تهيه نقشه جنگل‌زدايي استفاده مي‌شود. دقت بدست‌آمده از طريق تلفيق در سطح تصميم‌گيري براي تصاوير عاري از ابر سنتينل-1 و سنتينل-2، %13/97 و براي شرايط ابري %4/97 بدست‌آمده است. با توجه به نتايج استخراج شده و تفاوت اندك دقت در شرايط ابري و عاري از ابر، تاثير شرايط آب و هوايي براي اين كار عملا از بين رفته‌است.

Sentinel-1 , Sentinel-2 , Deforestation , Decision Level Fusion , Semantic Segmentation , Deep Learning

End-to-End Deforestation Mapping using Sentinel-1 and 2

مهندسي نقشه برداري

The accurate preparation of deforestation maps provides crucial information for the effective management of forest resources. Optical imagery, such as Landsat-8 and Sentinel-2, faces significant limitations in regions with frequent cloud cover, particularly in tropical areas where clouds obscure large parts of the year. To address this issue, supplementary data is essential. Synthetic Aperture Radar (SAR) imagery, capable of capturing data in all weather conditions and during both day and night, offers a viable alternative. This research proposes a method to overcome the limitations of optical imagery by integrating optical and radar images. Specifically, Sentinel-1 and Sentinel-2 images are used, and their combination is achieved through deep learning to enhance the accuracy of deforestation maps. The results demonstrate that the integration of optical and radar images yields more accurate classification results compared to using each sensor independently. The accuracy achieved through delayed integration for cloud-free Sentinel-1 and Sentinel-2 images is 97.13%, and 97.4% for cloudy conditions. The minimal difference in accuracy between cloudy and cloudless conditions indicates that weather-related challenges have been effectively mitigated.

6