چکیده مقاله
پیش بینی دقیق عملکرد محصولات کشاورزی، به ویژه گندم زمستانه، نقش مهمی در برنامه ریزی زراعی و مدیریت امنیت غذایی دارد در این پژوهش، یک چارچوب مبتنی بر یادگیری انتقالی با استفاده از شبکه ی عمیق Temporal ۱D ResNet برای پیش بینی عملکرد گندم زمستانه در مقیاس شهرستان توسعه داده شد ورودی مدل شامل ویژگی های استخراج شده از داده های چندمنبعی Sentinel ۱، Sentinel ۲، SoilGrids و Daymet بود مدل پایه با داده های سال های ۲۰۱۸ تا ۲۰۲۰ آموزش داده شد و ابرپارامترهای آن به صورت خودکار بهینه سازی گردید برای افزایش سازگاری مدل در سال های جدید، از روش Few shot Fine tuning با استفاده از ۵٪ از داده های سال آزمون بهره گرفته شد نتایج نشان داد که مقدار RMSE به ترتیب برای مدل های ۱D ResNet و TL ۱D ResNet برابر با ۱۰/۸۸ و ۹/۸۹ و مقدار R² به ترتیب ۰/۶۸ و ۰/۷۴ بوده است این نتایج بیانگر آن است که مدل TL ۱D ResNet با بهره گیری از یادگیری انتقالی و فاین تیون کم نمونه، دقت پیش بینی و توانایی مدل در شناسایی و بازنمایی نوسانات عملکرد گندم زمستانه را به طور قابل توجهی بهبود داده است
کلیدواژه‌ها
نویسندگان
مهدیه فتحی
دانشجوی دکتری مهندسی نقشه برداری فتوگرامتری دانشکده مهندسی نقشه برداری و اطلاعات مکانی دانشگاه تهران
رضا شاه حسینی
دانشیار گروه فتوگرامتری و سنجش از دور دانشکده مهندسی نقشه برداری و اطلاعات مکانی دانشگاه تهران
آرمین مقیمی
استادیار گروه فتوگرامتری و سنجش از دور دانشکده مهندسی نقشه برداری دانشگاه خواجه نصیر الدین طوسی تهران
شیوه ارجاع
فتحی، مهدیه و شاه حسینی، رضا و مقیمی، آرمین،1404،پیش بینی عملکرد گندم زمستانه با استفاده از شبکه ی یادگیری انتقالی Temporal ۱D-ResNet و داده های چندمنبعی سنجش ازدور و بهینه سازی خودکار ابرپارامترهای مدل پایه،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائه‌شده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران