•  
  •  
 

العنوان

الكشف الآلي عن ظاهرة الموت القِِمّّي لأشجار العرعر باستخدام التعلم العميق باستخدام نموذج تجميعي (UAV) وصور الطائرات بدون طيار

أسماء الباحثين باللغة العربية

حليمة ابراهيم الزبيدي

Abstract

Juniper trees are essential in many ecosystems, and any changes in the vegetation cover of juniper trees must be detected. Deep learning models were used in this study for detecting dieback in Juniperus procera in natural forests in the southern region of Saudi Arabia was examined. The goal in this study was to develop a reliable method for automated tree cover detection for large-scale environmental monitoring. Various deep learning models, including DenseNet121, InceptionResNetV2, custom convolutional neural network, Xception, ResNet50, and EfficientNetB2, were applied to classify images of juniper trees. The performance of each model was evaluated using metrics including accuracy, precision, recall, F1 score, specificity, and the Jaccard index. An ensemble model was created by combining the four highest- ranking models (Xception, ResNet50, InceptionV3, and EfficientNetB2) to further increase the classification accuracy. The EfficientNetB2 model outperformed the other models on all evaluation metrics, achieving the highest accuracy (98%), precision (98%), recall (98%), F1 score (98%), specificity (98.63%), and Jaccard index (92.86%). InceptionV3 also performed well, with an accuracy of 96%. The ensemble model achieved an accuracy of 97%, demonstrating effectiveness in combining the strengths of the top-performing models. Deep learning models, particularly EfficientNetB2, offer a highly effective approach for classifying juniper trees into normal and dieback categories. These models provide a promising solution for automated ecological monitoring for preserving and managing juniper tree populations.

الملخص

استُُخدمت هذه الدراسة نماذج التعلم العميق لفحص وتقييم ظاهرة الموت القمي لأشجار العرعر في الغابات الطبيعية بالمنطقة الجنوبية من المملكة العربية السعودية. حيث هدفت الدراسة الى تطوير طريقة موثوقة للكشف الآلي عن الغطاء الشجري لأغراض الرصد البيئي وشبكة عصبية التفافية InceptionResNetV و 2 DenseNet واسع النطاق. طُُبقت نماذج مختلفة من التعلم العميق، بما في ذلك 121 لتصنيف صور أشجار العرعر. وتم تقييم أداء كل نموذج باستخدام مقاييس تشمل ،EfficientNetB و 2 ResNet و 50 Xception مُُخصصة و والنوعية، ومؤشر جاكارد. ولزيادة دقة التصنيف، تم إنشاء نموذج مُُجمّّع بدمج النماذج الأربعة ،F الدقة، والضبط، والاستدعاء، ودرجة 1 على النماذج الأخرى في EfficientNetB تفوّّق نموذج 2 .(EfficientNetB و 2 ،InceptionV و 3 ،ResNet و 50 ،Xception) الأعلى تصنيفًًا ونوعية (% 98.63 )، ومؤشر جاكارد ،)F1 ) جميع مقاييس التقييم، محققًًا أعلى دقة (% 98 )، وضبط (% 98 )، واستدعاء (% 98 )، ودرجة % 98 أداءًً جيدًًا بدقة بلغت % 96 . وحقق النموذج ا لمُُجمّّع دقة بلغت % 97 ، مما يدل على فعالية InceptionV 92.86% ). كما حقق نموذج 3 ) منهجًًا فعا الًا للغاية لتصنيف أشجار العرعر ،EfficientNetB دمج نقاط قوة النماذج الأعلى أداءًً. وتُُقدّّم نماذج التعلّّم العميق، ولا سيما 2 إلى فئتين: طبيعية وموت قمي. وتُُقدّّم هذه النماذج حلاًً واعداًً للرصد البيئي الآلي بهدف الحفاظ على أشجار العرعر وإدارتها.

Download

Article Language

English

Share

COinS