कृषि वर्गीकरण के लिए गहरे पुनरावर्ती न्यूरल नेटवर्क का उपयोग करते हुए बहु-कालिक SAR सेंटिनल-1 के लिए कैमर्ग, फ्रांस

कृषि भूमि कवर को मानचित्रित करने के लिए विधियों के विकास और सुधार वर्तमान में प्रमुख चुनौतियाँ हैं, विशेष रूप से रडार छवियों के लिए। यह रडार के स्पेकल शोर स्वभाव के कारण है, जिससे रडार की तुलना में ऑप्टिकल छवियों का कम इंटेंसिव उपयोग होता है। यूरोपीय अंतरिक्ष एजेंसी का सेंटिनल-1 समुच्चय, जो हाल ही में परिचालन में आया है, एक उपग्रह प्रणाली है जो लगभग 20 मीटर के उच्च स्थानिक रिज़ॉल्यूशन के साथ सिंथेटिक एपर्चर रडार (SAR) का वैश्विक कवरेज प्रदान करता है, जिसमें 6 दिनों का पुनरीक्षण अवधि है। ये डेटा मूल्यवान हैं क्योंकि ये कृषि फसलों की स्थानिक जानकारी प्रदान करते हैं। इस पत्र का उद्देश्य गहरे शिक्षण तकनीकों के उपयोग के माध्यम से कृषि भूमि कवर मानचित्रण के लिए सेंटिनल-1 रडार छवियों की क्षमताओं को बेहतर ढंग से समझना है। विश्लेषण कैमर्ग, फ्रांस के क्षेत्र में बहु-कालिक सेंटिनल-1 डेटा पर किया गया। डेटा सेट को मई 2017 से सितंबर 2017 तक की तीव्रता रडार डेटा स्टैक उत्पन्न करने के लिए संसाधित किया गया था। हमने इस रडार समय श्रृंखला डेटा सेट को शोर को कम करने के लिए अस्थायी फ़िल्टरिंग का उपयोग करके सुधार किया, जबकि छवियों में मौजूदा बारीक संरचनाओं को यथासंभव बनाए रखने की कोशिश की। हमने यह पाया कि पारंपरिक मशीन लर्निंग दृष्टिकोणों (K निकटतम पड़ोसी, यादृच्छिक वन, और समर्थन वेक्टर मशीनें) के साथ भी, F-माप / सटीकता 86% से अधिक और Kappa गुणांक 0.82 से बेहतर के साथ अच्छा प्रदर्शन वर्गीकरण हासिल किया जा सकता है। हमने देखा कि दो गहरे पुनरावर्ती न्यूरल नेटवर्क (RNN)-आधारित वर्गीकर्ताओं के परिणाम स्पष्ट रूप से पारंपरिक दृष्टिकोणों से बेहतर थे। अंत में, कैमर्ग क्षेत्र के हमारे विश्लेषण दर्शाते हैं कि चावल वर्ग, जो इस क्षेत्र की सबसे प्रमुख फसल है, पर दो अलग-अलग RNN-आधारित वर्गीकर्ताओं के साथ समान प्रदर्शन प्राप्त किया गया, जिसमें 96% का F-माप मैट्रिक था। ये परिणाम इस प्रकार यह उजागर करते हैं कि निकट भविष्य में ये RNN-आधारित तकनीकें रिमोट सेंसिंग समय श्रृंखला के विश्लेषण में महत्वपूर्ण भूमिका निभाएंगी।