Journal of Geospatial Information Technology

fa کاربرد شبکه های عصبی کانولوشن آشکارساز چندجعبه تک شات (SSD) در تشخیص و استخراج خودکار میله چاه های قنات از تصاویر ماهواره ای گوگل ارث Application of convolutional neural networks single-shot multibox detector (SSD) in automatic detection and extraction of Qanat from Google Earth satellite images فتوگرامتری Aerial Photogrammetry پژوهشي Research شناسایی قناتها و تهیه نقشه آنها یکی از وظایف حیاتی در علم مدیریت منابع آبهای زیرزمینی است. با این حال، تهیه نقشه قنوات دشوار است، زیرا روش‌های مرسوم مانند نقشهبرداری میدانی پر هزینه و زمانبر هستند و در برخی مواقع بدلیل ساختار دریچه چاههای قنات برداشت زمینی با چالشهای متعددی مواجه است. شناسایی عوارض از داده‌های تصویری با استفاده از تکنیک‌های پردازش تصاویر کامپیوتری و شبکههای عصبی یکی از امیدوارکننده‌ترین تکنیک‌ها برای شناسایی چاههای قنات است. با توجه به اینکه تصاویر ماهوارهای سامانه گوگل ارث، تنها تصاویر ماهوارهای با قدرت تفکیک بالای مکانی، بدون هزینه و در دسترس هستند، در این تحقیق از تصاویر ماهوارهای گوگل ارث استفاده شده است. در این پژوهش بیش از 600 نمونه آموزشی از دهانه میله چاههای قنات تهیه شده است و از شبکه عصبی کانولوشون بر مبنای آشکارساز چندجعبه تک شات با پایه شبکه ResNet، برای کشف و استخراج خودکار مکان هندسی میله چاههای قنوات با توجه به سرعت بالاتر انجام پردازش، استفاده شده است. مدل پیشنهادی توسط نمونههای آموزشی بر مبنای 85 درصد داده آموزشی و 15 درصد داده اعتبارسنجی، با 50 دوره تکرار و دقت 89 درصد آموزش داده شده است. مدل آموزش دیده بر روی تصویر منطقه مورد مطالعه برای کشف میله چاههای قنات اجرا شده است. نتایج نشان میدهد که این مدل میتواند با معیار دقت برابر 0.91 و معیار بازیابی برابر 0.82 و معیار F1Score برابر 0.86 در کشف موقعیت مکانی دهانه میله چاههای قنات که دارای شکل مناسب هستند، عمل نماید.  برای مناطقی که شکل دهانه میله چاهها تخریب شده است، دقت تشخیص و استخراج موقعیت میله چاهها برابر 0/65 است. نتایج این پژوهش نشان میدهد که امکان تشخیص و استخراج اتوماتیک میله چاههای قنات با دقت مناسب از تصاویر ماهوارهای دانلود شده از سامانه گوگل ارث امکانپذیر است.   Identifying qanat and mapping them is one of the vital tasks in the science of groundwater resources management. However, it is difficult to map qanats because conventional methods such as field mapping are very costly and time consuming, and in some cases, due to the structure of qanat, land extraction faces many challenges. Identifying objects from image data using computer image processing techniques and neural networks is one of the most promising techniques for identifying qanats. Due to the fact that satellite images of Google Earth system are the only satellite images with high spatial resolution, free of charge and available, in this research, Google Earth satellite images have been used. In this research, more than 600 educational samples have been prepared from the openings of qanats. In this research, the convolutional neural network single-shot multi-box detector based on ResNet network has been used to automatically detect and extract the geometric location of qanats due to higher processing speed. The proposed model is taught by training samples based on 85% of the training data and 15% of the validation data, with 50 repetition courses and an accuracy of more than 90%. The trained model is implemented on the image of the study area to discover the shafts of qanats. The results show that this model can work with the accuracy criterion equal to 0.91, the recovery criterion equal to 0.82, and the F1Score criterion equal to 0.86 in discovering the location of the rod of the aqueduct wells with a suitable shape. For the areas where the shape of the rod of the wells destroyed, the accuracy of detecting and extracting the position of the wells equal to 0.65. This research shows that it is possible to automatically identify and extract aqueduct well rods with appropriate accuracy from satellite images downloaded from the Google Earth system.   شبکه عصبی کانولوشن, آشکاساز چندباکس تک شات, قنات, ResNet, گوگل ارث. Convolution Neural Network, Single Shot Multi-box Detector, Qanat, ResNet, Google Earth. 85 102 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-527-1&slc_lang=fa&sid=1 Mostafa Kabolizadeh مصطفی کابلی زاده m.kabolizade@scu.ac.ir 10031947532846009655 10031947532846009655 Yes Shahid Chamran University of Ahvaz دانشگاه شهید چمران اهواز Mohammad Abbasi محمد عباسی mohammadabbasi@ut.ac.ir 10031947532846009656 10031947532846009656 No Shahid Chamran University of Ahvaz دانشگاه شهید چمران اهواز