ديب إنديس: مؤشرات استشعار عن بعد تعتمد على تقريب الدوال من خلال التعلم العميق، تطبيق على صور نباتية غير مُعدَّلة

عادةً ما يتم تعريف شكل مؤشر الاستشعار عن بعد بشكل تجريبي، سواء من خلال اختيار نطاقات انعكاس معينة، أو أشكال المعادلات، أو معاملاتها. تُستخدم هذه المؤشرات الطيفية كمرحلة ما قبل المعالجة قبل الكشف عن الكائنات أو تصنيفها. ولكن لا توجد دراسة تبدو أنها تبحث عن الشكل الأمثل من خلال التقريب الدالة بهدف تحسين التصنيف و/أو التقسيم. يهدف هذا البحث إلى تطوير طريقة لتحديد المؤشر الأمثل باستخدام نهج إحصائي يقوم على الانحدار التدريجي (gradient descent) على أشكال مختلفة من المعادلات العامة. تم اختبار خمسة أنماط معادلات باستخدام صور من ستة نطاقات موجية، وتشمل هذه المعادلات: الخطية، والنسبية الخطية، والمتعددة الحدود، والمتقريب الوظيفي العام، والتشابك المورفولوجي الكثيف. كما تم تطبيق عدة تقنيات في معالجة الإشارات وتحليل الصور ضمن إطار عمل تعزيزات عميقة (deep-learning). تم تقييم أداء المؤشرات القياسية و"ديب آينديكس" (DeepIndices) باستخدام معيارين: معامل دايسي (مشابه لمقاييس F1) وScore متوسط التقاطع على الاتحاد (mIoU). يركّز البحث على كاميرا متعددة الطيف محددة تُستخدم في جمع البيانات من مسافات قصيرة لسطوح التربة والنباتات. تم بناء ومقارنة "ديب آينديكس" مع 89 مؤشرًا نباتيًا شائعًا باستخدام نفس مجموعة بيانات النباتات والمقاييس. كمثال، يُقدّم المؤشر الأكثر استخدامًا في مجال النباتات، أي مؤشر الفرق النسبي المُعدّل للنباتات (NDVI)، نتيجة mIoU بنسبة 63.98٪، بينما تُقدّم النماذج الأفضل لدينا حلًا تحليليًا لإعادة بناء مؤشر يحقق mIoU بنسبة 82.19٪. تمثل هذه الفجوة تحسنًا كبيرًا يُسهم في تحسين تقسيم الصور ومتانة المؤشر أمام عوامل خارجية متنوعة، فضلًا عن تحسين شكل العناصر المُكتشفة.