%0 Journal Article %A Zarei, Arastou %A Shah-Hosseini, Reza %A Seyyed-Mousavi, Morteza %T An efficient method using the fusion of deep convolutional neural network features for cloud detection using Landsat-8 OLI spectral bands %J Journal of Geospatial Information Technology %V 10 %N 3 %U http://jgit.kntu.ac.ir/article-1-839-fa.html %R 10.52547/jgit.10.3.49 %D 2023 %K Remote Sensing, Landsat-8, Convolution Neural Network, Cloud Detection, %X شناسایی ابر در کاربردهای مختلف تصاویر ماهواره­ای چندطیفی مرحله­ای مهم در پیش پردازش می­باشد، به طور خاص در برنامه­های مرتبط با بلایای طبیعی مانند نظارت بر سیل یا نقشه برداری سریع خسارت که در بحث زمان و داده­ها دارای اولویت هستند و نیاز به روش­هایی دارند که ماسک ابری دقیق را در مدت زمان کوتاه به طور آنی تولید کنند. در این مطالعه، یک شبکه عصبی پیچیده عمیق برای تشخیص ابر در مجموعه داده­های لندست-8 در سطح پیکسل ارائه شد. شبکه پیشنهادی در این مطالعه دو ویژگی اصلی داشت: 1) چندین هسته پیچشی با اندازه‌های چندگانه، و 2) لایه­های کانولوشنی مستقیم در شاخه رمزگشا. باند مادون قرمز نزدیک در این مطالعه به ورودی­های شبکه شامل باندهای قرمز، سبز و آبی اضافه شد تا عملکرد شبکه را بهبود ببخشد. در معماری شبکه پیشنهادی، شاخه­های رمزگذار-رمزگشای متقارن با تراکم نقشه­های ویژگی حاصل از تعدد فیلترها و طراحی فیلترهای با ابعاد مختلف، زمینه محلی و کلی را جهت شناسایی دقیق ابر و حاشیه­های آن فراهم کردند که برای استخراج ویژگی­های مکانی در مقیاس­های سطح بالا استفاده می­شوند. نقشه­های ویژگی حاصل از مقیاس­های متعدد، نمونه­برداری و تلفیق شده و جهت بازیابی خروجی با دقت­های بالا به کار گرفته می­شوند. در نهایت روش پیشنهادی با استفاده از 3500 قطعه از تصاویر ماهواره لندست-8 با چالش­های متنوع ابر با به کارگیری از چندین هسته در اندازه­های 3 × 3 و 5 × 5 با نمره F1 برابر 6/96 و شاخص ژاکارد 5/93 نسبت به روش­های دیگر دقت بالاتری را ارائه داد. به طور کلی در روش پیشنهادی نسبت به روش­های مقایسه شده در مجموعه داده یکسان اما تصحیح نشده، به ویژه در مناطق پوشیده از سطح روشن، نتایج بهتری را به دست آورد. %> http://jgit.kntu.ac.ir/article-1-839-fa.pdf %P 49-70 %& 49 %! %9 Research %L A-11-124-14 %+ University of Tehran %G eng %@ 2008-9635 %[ 2023