سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,572
تعداد مقالات71,028
تعداد مشاهده مقاله125,499,375
تعداد دریافت فایل اصل مقاله98,761,899
خوشنویسان, سینا, قره چلو, سعید, مرتضوی, رضا, خاکزاد, فاطمه. (1403). استخراج پهنه‌های آبی از داده‌های سنجش از دور با مقایسه مدل‌های یادگیری عمیق. , 11(3), 321-336. doi: 10.22059/ije.2024.378101.1829
سینا خوشنویسان; سعید قره چلو; رضا مرتضوی; فاطمه خاکزاد. "استخراج پهنه‌های آبی از داده‌های سنجش از دور با مقایسه مدل‌های یادگیری عمیق". , 11, 3, 1403, 321-336. doi: 10.22059/ije.2024.378101.1829
خوشنویسان, سینا, قره چلو, سعید, مرتضوی, رضا, خاکزاد, فاطمه. (1403). 'استخراج پهنه‌های آبی از داده‌های سنجش از دور با مقایسه مدل‌های یادگیری عمیق', , 11(3), pp. 321-336. doi: 10.22059/ije.2024.378101.1829
خوشنویسان, سینا, قره چلو, سعید, مرتضوی, رضا, خاکزاد, فاطمه. استخراج پهنه‌های آبی از داده‌های سنجش از دور با مقایسه مدل‌های یادگیری عمیق. , 1403; 11(3): 321-336. doi: 10.22059/ije.2024.378101.1829

استخراج پهنه‌های آبی از داده‌های سنجش از دور با مقایسه مدل‌های یادگیری عمیق

مجله اکوهیدرولوژی
مقاله 2، دوره 11، شماره 3، مهر 1403، صفحه 321-336    اصل مقاله (1.76 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2024.378101.1829
نویسندگان
سینا خوشنویسان1؛ سعید قره چلو* 2؛ رضا مرتضوی3؛ فاطمه خاکزاد1
1دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران
2استادیار، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران
3استادیار، دانشکده فنی و مهندسی، دانشگاه دامغان، دامغان، ایران
چکیده
در قرن حاضر افزایش غلظت گازهای گلخانه‌ای سبب تغییراتی در آب‌وهوا و اقلیم زمین شده است. این تغییرات تأثیرات جبران ناپذیری بر اراضی کشاورزی، تولید غذا، و تأمین آب آشامیدنی داشته است. استفاده از فناوری سنجش از دور و پردازش تصاویر ماهواره‌ای، هوایی و پهپاد به منظور جمع‌آوری اطلاعات از سطح زمین، تغییرات زیست محیطی و تحلیل پهنه‌های آبی، آن را به ابزاری موثر برای برنامه‌ریزی، پایش و مدیریت بهینه منابع آب تبدیل کرده است. استفاده از فناوری های نوین و میان رشته‌ای امکان شناسایی، پهنه‌بندی و ارزیابی دقیق منابع آب سطحی را برای متخصصین منابع آب فراهم کرده است. در این پژوهش با هدف شناسایی پهنه‌های آبی سطحی با استفاده از داده های سنجش از دور چهار مدل یادگیری عمیق شامل ENet، SegNet، SE U-Net و DeepLabV3+EfficientNet تحت 50 دوره آموزشی با تابع خطا باینری کراس-آنتروپی (Binary Cross-Entropy) آموزش داده شده‌اند. نتایج نشان می‌دهد که مدلDeepLabV3+EfficientNet با مقدار 96٫09% در معیار Precision و 89٫13 % در معیار IoU، بهترین عملکرد را برای تشخیص استخرهای کشاورزی داشته است. همچنین مدل SegNet با مقدار 93٫81% در معیار Precision و DeepLabV3+EfficientNet با 85٫58% در معیار IoU، بهترین عملکرد رابه ترتیب برای تشخیص استخرهای شنا داشته‌ان، باتوجه به نتایج مدلDeepLabV3+EfficientNet پیشنهاد می‌شود.
کلیدواژه‌ها
پهنه‌های آبی؛ بخش‌بندی معنایی تصاویر؛ شبکه‌های عصبی کانولوشنی؛ سنجش از دور؛ یادگیری عمیق
عنوان مقاله [English]
Water Bodies Extraction from Remote Sensing Data by Comparison of Deep Learning Models
نویسندگان [English]
Sina Khoshnevisan1؛ Saeid Gharechelou2؛ Reza Mortazavi3؛ Fatemeh Khakzad1
1MSc Student, Faculty of Civil Engineering, Shahrood University of Technology, Shahrood, Iran
2Assistant Professor, Faculty of Civil Engineering, Shahrood University of Technology, Shahrood, Iran
3Assistant Professor, School of Engineering, Damghan University, Damghan, Iran.
چکیده [English]
In the current century, increasing of greenhouse gases has led to significant changes in the climate. It is causing irreversible impacts on agricultural lands, food production, and drinking water supply. By using remote sensing technology and the processing of satellite data, aerial and drone imagery to collect information from the Earth surface, environmental changes monitoring and analyze water bodies has become an effective tool for planning and optimal management of water resources. Modern and interdisciplinary technologies have enabled water resource specialists to accurately identify, mapping and assess surface water resources. In this study, with the aim of identifying small water bodies using remote sensing data, four deep learning models -ENet, SegNet, SE U-Net, and DeepLabV3+EfficientNet- were trained over 50 epochs using the Binary Cross-Entropy loss function. The results showed that the DeepLabV3+EfficientNet model with a Precision of 96.09% and an IoU of 89.13%, achieved the best performance in detecting agricultural ponds. Additionally, the SegNet model with a Precision of 93.81%, and the DeepLabV3+EfficientNet model with an IoU of 85.58%, demonstrated the best performance in detecting of swimming pools. Based on these results, the DeepLabV3+EfficientNet model is recommended by this research for pools and reservoirs detection.
کلیدواژه‌ها [English]
Water bodies, Semantic image segmentation, Convolutional neural networks, Remote sensing, Deep learning
مراجع
  1. Dietz T, Shwom RL, Whitley CT. Climate change and society. Annual Review of Sociology. 2020; 46: 135-158.
  2. Höök M, Tang X. Depletion of fossil fuels and anthropogenic climate change—A review. Energy Policy. 2013; 52:

797-809.

  1. Loarie SR, Duffy PB, Hamilton H, Asner GP, Field CB, Ackerly DD. The velocity of climate change. Nature. 2009;

462(7276): 1052-1055.

  1. Trenberth KE. Changes in precipitation with climate change. Climate research. 2011; 47(1-2): 123-138.
  2. Calzadilla A, Rehdanz K, Betts R, Falloon P ,Wiltshire A, Tol RS. Climate change impacts on global agriculture.

Climatic change. 2013; 120: 357-374.

  1. Taylor RG, Scanlon B, Döll P, Rodell M, Van Beek R, Wada Y, et al. Ground water and climate change. Nature

climate change. 2013; 3(4): 322-329.

  1. Wheeler T, Von Braun J. Climate change impacts on global food security. Science. 2013; 341(6145): 508-513.
  2. Chartzoulakis K, Bertaki M. Sustainable water management in agriculture under climate change. Agriculture and

Agricultural Science Procedia. 2015; 4: 88-98.

  1. Rao CS, Rejani R, Rao CR, Rao K, Osman M, Reddy KS, et al. Farm ponds for climate-resilient rainfed agriculture.

Current Science. 2017; 471-477.

  1. Siebrits R. Swimming pools and intra-city climates: influences on residential water consumption in Cape Town.

Water SA. 2012; 38(1): 133-144.

  1. Chi M, Plaza A, Benediktsson JA, Sun Z, Shen J, Zhu Y. Big data for remote sensing: Challenges and

opportunities. Proceedings of the IEEE. 2016; 104(11): 2207-2219.

  1. Huang C, Chen Y, Zhang S, Wu J. Detecting ,extracting, and monitoring surface water from space using optical

sensors: A review. Reviews of Geophysics. 2018; 56(2): 333-360.

  1. Isikdogan F, Bovik AC, Passalacqua P. Surface water mapping by deep learning. IEEE journal of selected topics in

applied earth observations and remote sensing. 2017; 10(11): 4909-4918.

  1. Cheng G, Xie X, Han J, Guo L, Xia G-S. Remote sensing image scene classification meets deep learning:

Challenges, methods, benchmarks, and opportunities. IEEE Journal of Selected Topics in Applied Earth

Observations and Remote Sensing. 2020; 13: 3735-3756.

  1. Cai W, Wei Z. Remote sensing image classification based on a cross-attention mechanism and graph convolution.

IEEE Geoscience and Remote Sensing Letters. 2020; 19:1-5.

  1. Liu X, Song L, Liu S, Zhang Y. A review of deep-learning-based medical image segmentation methods.

Sustainability. 2021; 13(3): 1224.

  1. Edpuganti A, Akshaya P, Gouthami J, Sajith Variyar V, Sowmya V, Sivanpillai R. Effect of data quality on water

body segmentation with deeplabv3+ algorithm. The International Archives of the Photogrammetry, Remote

Sensing and Spatial Information Sciences. 2023; 48: 81-85.

  1. Harika A, Sivanpillai R, Sajith Variyar V, Sowmya V. Extracting water bodies in rgb images using deeplabv3+

algorithm. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.

2022; 46: 97-101.

  1. Li Z, Wang R, Zhang W, Hu F, Meng L. Multiscale features supported DeepLabV3+ optimization scheme for

accurate water semantic segmentation. Ieee Access. 2019; 7: 155787-155804.

  1. Weng L, Xu Y, Xia M, Zhang Y, Liu J, Xu Y. Water areas segmentation from remote sensing images using a

separable residual segnet network. ISPRS international journal of geo-information. 2020; 9(4): 256.

  1. Ma Z ,Xia M, Weng L, Lin H. Local feature search network for building and water segmentation of remote sensing

image. Sustainability. 2023; 15(4): 3034.

  1. Wang Y. Remote sensing image semantic segmentation algorithm based on improved ENet network. Scientific

Programming. 2021; 1-10.

  1. Paszke A, Chaurasia A, Kim S, Culurciello E. Enet: A deep neural network architecture for real-time semantic

segmentation. arXiv preprint arXiv:160602147. 2016.

  1. Aburaed N, Al-Saad M, Alkhatib M, Zitouni M, Almansoori S ,Al-Ahmad H. Semantic Segmentation of Remote

Sensing Imagery Using AN Enhanced Encoder-Decoder Architecture. ISPRS Annals of the Photogrammetry,

Remote Sensing and Spatial Information Sciences. 2023; 10: 1015-1020.

  1. Li W, Dong Y, Wang Y, Xu T, Liu Z, Yu K, Xiao C, editors. SE-UNet: Channel Attention Based UNet for Water

Body Segmentation from SAR Image. International Conference on Image, Vision and Intelligent Systems 2023

Aug 16 (pp 100-107); 2024; Singapore: Springer Nature Singapore.

  1. Al-Saad M, Aburaed N, Alkhatib MQ, Zitouni MS, Al-Ahmad H, editors. An Enhanced UNet Model to Detect

Water Bodies From Remote Sensing Data. International Conference on Information Technology (ICIT) 2023 Aug

9 (pp 411-415) IEEE; 2023: IEEE.

  1. Duan L, Hu X. Multiscale refinement network for water-body segmentation in high-resolution satellite imagery.

IEEE Geoscience and Remote Sensing Letters. 2019; 17(4): 686-690.

  1. Chen J, Xia M, Wang D, Lin H. Double branch parallel network for segmentation of buildings and waters in

remote sensing images. Remote Sensing. 2023; 15(6): 1536.

  1. Pellis E, Masiero A, Cortesi I, Tucci G, Betti M, Grussenmeyer P, editors. Performance Comparison Between

Segnet and DEEPLABV3+ on the Semantic Segmentation of Heritage Buildings. 12th International Symposium on

Mobile Mapping Technology (MMT 2023), May 24-26, 2023, Padua, Italy 2023 May 25 (Vol 48, pp 379-386);

2023: TCopernicus GmbH

آمار
تعداد مشاهده مقاله: 326
تعداد دریافت فایل اصل مقاله: 254





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب