تحسين طبقة بيانات الأراضي الزراعية مع فترة ثقة فعالة وتصفية الصور

تم تطوير أنظمة مختلفة لمعالجة بيانات الأراضي الزراعية من أجل تحسين إدارة إنتاج المحاصيل. ومن بين هذه الأنظمة، طبقة بيانات الأراضي الزراعية (CDL)، التي تنتجها خدمة الإحصاءات الزراعية الوطنية بوزارة الزراعة الأمريكية (USDA). وقد استخدمت CDL على نطاق واسع لتدريب نماذج تقسيم التعلم العميق (DL). ومع ذلك، تحتوي على أخطاء متنوعة، مثل ضوضاء الملح والفلفل، ويجب تحسينها قبل استخدامها في تدريب DL. في هذه الدراسة، استخدمنا طريقتين لتحسين CDL لتقسيم DL للمحاصيل الرئيسية من سلسلة زمنية من صور Sentinel-2 المركبة الشهرية. أولا، تم استخدام فترات الثقة المختلفة لطبقة الثقة لتحسين CDL. ثانياً، تم استخدام عدة مرشحات صور لتحسين جودة البيانات. ثم استخدمت CDLs المحسّنة كحقيقة معروفة في تدريب وتقييم تقسيم DL. تظهر النتائج أن CDL مع فترات الثقة +45% و+55% أظهرت أفضل النتائج، مما زاد من دقة تقسيم DL بنحو 1% مقارنة بالبيانات غير المحسنة. بالإضافة إلى ذلك، أدى تصفية CDL باستخدام مرشحات الأغلبية والنمو والانكماش إلى تحقيق أفضل أداء، مما حسّن مقاييس التقييم بحوالي 1.5%. تشير النتائج إلى أن تصفية CDL مسبقًا واختيار فترة ثقة فعالة يمكن أن يحسن بشكل كبير أداء تقسيم DL، مما يساهم في مراقبة زراعية أكثر دقة وموثوقية.