ترجمه فارسی مقاله ابزارهای یادگیری عمیق برای حمایت از نظارت بر جنگل زدایی در ساحل عاج با استفاده از SAR و تصاویر ماهواره نوری

چکیده

Deforestation is gaining an increasingly importance due to its strong influence on the sorrounding environment, especially in developing countries where population has a disadvantaged economic condition and agriculture is the main source of income. In Ivory Coast, for instance, where the cocoa production is the most remunerative activity, it is not rare to assist to the replacement of portion of ancient forests with new cocoa plantations. In order to monitor this type of deleterious activities, satellites can be employed to recognize the disappearance of the forest to prevent it from expand its area of interest. In this study, Forest-Non-Forest map (FNF) has been used as ground truth for models based on Sentinel images input. State-of-the-art models U-Net, Attention U-Net, Segnet and FCN32 are compared over different years combining Sentinel-1, Sentinel-2 and cloud probability to create forest/non-forest segmentation. Although Ivory Coast lacks of forest coverage datasets and is partially covered by Sentinel images, it is demonstrated the feasibility to create models classifying forest and non-forests pixels over the area using open datasets to predict where deforestation could have occurred. Although a significant portion of the deforestation research is carried out on visible bands, SAR acquisitions are employed to overcome the limits of RGB images over areas often covered by clouds. Finally, the most promising model is employed to estimate the hectares of forest has been cut between 2019 and 2020.

چکیده به فارسی (ترجمه ماشینی)

جنگل زدایی به دلیل تأثیر شدید آن بر محیط سرور ، به ویژه در کشورهای در حال توسعه که جمعیت دارای وضعیت اقتصادی محروم هستند و کشاورزی منبع اصلی درآمد است ، به طور فزاینده ای به دست می آید.به عنوان مثال ، در ساحل عاج ، جایی که تولید کاکائو بیشترین پاداش است ، کمک به جایگزینی بخشی از جنگل های باستانی با مزارع کاکائو جدید نادر نیست.به منظور نظارت بر این نوع فعالیت های مضر ، ماهواره ها می توانند برای تشخیص ناپدید شدن جنگل برای جلوگیری از گسترش آن در منطقه مورد علاقه خود استفاده شوند.در این مطالعه ، نقشه جنگلی غیر جنگلی (FNF) به عنوان حقیقت زمین برای مدل های مبتنی بر ورودی تصاویر Sentinel استفاده شده است.مدلهای پیشرفته U-Net ، توجه U-Net ، Segnet و FCN32 در طی سالهای مختلف با ترکیب Sentinel-1 ، Sentinel-2 و Cloud احتمال ایجاد تقسیم بندی جنگل/غیر جنگل مقایسه می شوند.اگرچه ساحل عاج از مجموعه داده های پوشش جنگلی کمبود دارد و تا حدی تحت پوشش تصاویر Sentinel قرار دارد ، اما این امکان را نشان می دهد که مدل هایی را برای طبقه بندی پیکسل های جنگل و غیر جنگلی در منطقه با استفاده از مجموعه داده های باز برای پیش بینی اینکه در کجا می تواند جنگل زدایی رخ داده باشد ، نشان می دهد.اگرچه بخش قابل توجهی از تحقیقات جنگل زدایی روی باندهای قابل مشاهده انجام می شود ، از خرید SAR برای غلبه بر محدودیت تصاویر RGB در مناطقی که اغلب توسط ابرها پوشیده شده است استفاده می شود.سرانجام ، امیدوار کننده ترین مدل برای تخمین هکتار جنگل بین سالهای 2019 و 2020 کاهش یافته است.