تعيين سطح زير كشت محصول سيب زميني در استان همدان با استفاده از سري زماني تصاوير ماهواره IRSP6
محورهای موضوعی : آمایش سرزمین
علی شهبازی
1
(دانشکده منابع طبیعی)
لقمان خداکرمی
2
(دانشکده فنی، دانشگاه کویا)
دکتر کامران نصیراحمدی
3
(دانشکده مهندسی شیمی و صنایع)
کلید واژه: سنجش از دور, طبقه¬بندي فازي, سيب زميني, SAVI , NDVI ,
چکیده مقاله :
این مطالعهبا هدف استفاده از تکنیک سنجش از دور و سري زماني تصاویر ماهواره ای برای شناسایی و تعیین سطح زیر کشت مزارع سيب زميني در استان همدان صورت گرفت. بدين ترتیب از سري زماني تصاوير ماهوارهIRSP6 سنجنده Awifs براي تعيين سطح زير کشت سيب زميني، استفاده شد. براي اين منظور در سه گذر زماني که همزمان با سبزينگي و زردشدگي گياه سيب زميني بوده تصاوير تهيه شد. پردازش هاي لازم از جمله آماد سازي تصاوير، تصحيح هندسي، شاخص گياهي، طبقه بندي نظارت نشده و طبقه بندي نظارت شده فازي بر روي تصاوير انجام شد. در نهايت با استفاده روش Overlay بر روي نقشه هاي حاصل از طبقه بندي نظارت شده فازي و شاخص هايNDVI, و SAVI سطح زيرکشت سيب زميني شناسايي شد. ضريب کاپا براي نقشه هاي سطح زير کشت سيب زميني حاصل از روش طبقه بندي فازي، شاخص-هايNDVI و SAVI به ترتيب90، 87 و 85 درصد به دست آمد. مساحت سطح زير کشت سيب زميني نيز به ترتيب حدود38740، 36728 و 36614 هکتار در سال 1387 تعيين شد. بر اساس نتایج اين مطالعه مشخص شد که مي توان از روش طبقه بندي فازي و سري زماني داده هاي سنجندهAWIFS براي تشخيص و تخمين سطح زير کشت سيب زميني با دقت تقريبا قابل قبول استفاده کرد و همچنين استفاده از شاخص هاي گياهي مذکور داراي سرعت بالا براي تفکيک سطح زيرکشت اين محصول است.
The aim of this study is to detect and quantify the cultivated area of potato fields in Hamadan Province using remote sensing methods and a time series of satellite photos. As a result, Awifs time-series imaging was used to determine the potato cropping area. For this purpose, pictures were taken at three different times when the potato plant turned green and yellow. Processing such as preparation, atmospheric and geometric correction, vegetation index, and unsupervised classification were performed on the images using appropriate training sites for supervised classification. Following the integration of these two layers, the studied area under the cropping map was prepared using the phase classification method. Additionally, by using the vegetation indices NDVI and SAVI, the area under cropping for the three main crop yields is determined first using the threshold level technique and in three temporal intervals. The kapa coefficient for potato under cropping area determined by phase classification, NDVI, and SAVI was 90, 87, and 85%, respectively. In 1998, the potato cropping area was determined to be 38740, 36728, and 36614 acres, respectively. This study clearly shows that the phase classification method and Awif data time series can be used to recognize and estimate potato under cropping area with acceptable precision and that vegetation indices distinguish potato under cropping area faster.
1. Abdalah Zadeh, M. And Nasiri, M. B. (2008). Determination of potato cultivated in the city using a series Borujen When images IRSP6. National symposium of Geomatic 2008. Survey Organisation, Tehran.
2. Alavi Panah, S. K. (2003). Remote sensing applications in geosciences. Tehran University Press.
3. Ashvrlv, M., A. Mhmddy, AS, Rezaeian, P. and Vashvrlv, D. (2006). Application of linear analysis in the diagnosis of separating wheat from other Products on satellite images. Journal of Environmental Sciences. (2), 101-116.
4. Barrett, E.C. and L.F. Curtis. (1992). Introduction to environmental remote sensing. Routledge.
5. Chen, C. F., Son, N. T., & Chang, L. Y. (2012). Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data. Advances in Space Research, 49(2), 292-301.
6. Curran, P. (Translation reza haer). (1995). Principles of remote sensing. Iranian Remote Sensing Center. Omid Publications, Tehran.
7. Guide, E. F. (2010). Technical documentation. ERDAS Inc.
8. Farn Chen, C. and Y. Tan Li. (2000). Supervised Classification of Multi-Temporal Remote Sensing Images, Int: 20 Th Asian Conferences on Remote Sensing.
9. http://www.sarmayeh.net/ShowNews.php?7063, Download in 28/6/2009.
10. French, A. N., Hunsaker, D. J., Sanchez, C. A., Saber, M., Gonzalez, J. R., & Anderson, R. (2020). Satellite-based NDVI crop coefficients and evapotranspiration with eddy covariance validation for multiple durum wheat fields in the US Southwest. Agricultural Water Management, 239, 106266.
11. Jensen, J. R. (1996). Introductory digital image processing: a remote sensing perspective (No. Ed. 2). Prentice-Hall Inc.
12. Jeong, S., Ko, J., & Yeom, J. M. (2022). Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea. Science of the Total Environment, 802, 149726.
13. Hasim, S., & Bhar, K. K. (2020). Seasonal Cropping Pattern Extraction Using NDVI from IRS LISS-III Image of Kangsabati Commanded Area. Procedia Computer Science, 167, 900-906.
14. Hu, Q., Sulla-Menashe, D., Xu, B., Yin, H., Tang, H., Yang, P., & Wu, W. (2019). A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series. International Journal of Applied Earth Observation and Geoinformation, (80), 218-229.
15. Khodakarami, L. (2022). Determination of Potato Crop Cultivation in Hamedan Province, Using time series Satellite Images IRSP6.
16. Khvajhaldyn, S.J. and Pvrmnafy, S. (2007). Determine the level of marginal paddy Zayandehrod River in Isfahan Region with satellite sensor digital data of IRS. Journal of Science and Technology of Agriculture and Natural Resources.Isfahan University of Technology. (1), 513-527.
17. Khvajhaldyn, S.J. (1997). The role of remote sensing of natural resources in sustainable agricultural development and use of these data in planning industrial agriculture. Proceedings of Seminar on Role of Technology in Agricultural Development, Scientific Research & Publications in cooperation with the Town Publishing Mani, Isfahan.
18. Mohan, B. K., Madhavan, B. B., & Gupta, U. D. (2000). Integration of IRS-1A L2 data by fuzzy logic approaches for landuse classification. International journal of remote sensing, 21(8), 1709-1723. 19. Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (1994). Remote sensing and image interpretation. John Willey & Sons. Inc, United States of America.
20. Manfron, G., Delmotte, S., Busetto, L., Hossard, L., Ranghetti, L., Brivio, P. A., & Boschetti, M. (2017). Estimating inter-annual variability in winter wheat sowing dates from satellite time series in Camargue, France. International journal of applied earth observation and geoinformation, 57, 190-201.
21. Ranjbar, H., & Honarmand, M. (2004). Integration and analysis of airborne geophysical and ETM+ data for exploration of porphyry type deposits in the Central Iranian Volcanic Belt using fuzzy classification. International Journal of Remote Sensing, 25(21), 4729-4741.
22. Richards, J. A., & Richards, J. A. (1999). Remote sensing digital image analysis (Vol. 3, pp. 10-38). Berlin: springer.
23. Salimi, S. and Kazemi, F. (2009). Application of satellite images IRS in order to map the distribution of rice in the city Marvdasht. (2008). National symposium of Geomatic2008. Survey Organisation, Tehran.
24. Joshi, P. K., Roy, P. S., Singh, S., Agarwal, S., & Yadav, D. (2002). Biome level characterization (BLC) of western India-a geospatial approach. Tropical ecology, 43(1), 213-228.
25. Sarvyy, S. and Nasiri, A. (2002). Using remote sensing technology in the preparation of statistics and maps of land unse rice cultivation in the north (city of Amol and Babol). National symposium of Geomatic2002. Survey Organisation, Tehran.
26. Sawasawa, H. (2003). Crop yield estimation: Integrating RS, GIS, and management factors. International Institute for Geo-information Science and Earth Observation, Enschede The Netherlands. 27. Tso, B. and P. Mather. (2001). Classification Methods for Remotely Sensed Data.Taylor & Francis, UK.
28. Turker, M., & Arikan, M. (2004). Field-Based Crop Mapping through Sequential Masking Classification of Multi-temporal LANDSAT-7 ETM+ Images in Karacabey, Turkey. Int. Arch. Ph. RS, 35, 192-197.
29. Wang, F. (1990). Fuzzy supervised classification of remote sensing images IEEETransactions on Geosciences and Remote Sensingm. (28), 194-201.
30. Wardlow, B. D., Egbert, S. L., & Kastens, J. H. (2007). Analysis of time-series MODIS 250 m vegetation index data for crop classification in the US Central Great Plains. Remote sensing of environment, 108(3), 290-310.
31. Wright, G. G., & Morrice, J. G. (1997). Landsat TM spectral information to enhance the land cover of Scotland 1988 dataset. International journal of remote sensing, 18(18), 3811-3834.
32. Zhtabyan, GH.R. and Tabatabai, M. R. (1999). Studying the process of desertification using satellite imagery processing and geographic information system (GIS). Iranian Journal of Rang and Desert. (2), 57-67.
پژوهش و فناوری محیط زیست، 1401 7(12)، 77-89
| |||
|
| ||
1- عضو هیئت علمی گروه مهندسی نفت، دانشکده فنی، دانشگاه کویا، کویا، منطقه کردستان، عراق. 2- عضو هیئت علمی گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. 3- عضو هیئت علمی گروه مهندسی شیمی، دانشکده مهندسی شیمی و صنایع، دانشگاه علم و فناوری ، بهشهر، ایران | ||
چکیده | اطلاعات مقاله | |
این مطالعه با هدف استفاده از تکنیک سنجش از دور و سري زماني تصاویر ماهوارهای برای شناسایی و تعیین سطح زیر کشت مزارع سيبزميني در استان همدان صورت گرفت. بدين ترتیب از سري زماني تصاوير ماهوارهIRSP6 سنجنده AWIFS براي تعيين سطح زير کشت سيبزميني، استفاده شد. براي اين منظور در سه گذر زماني که همزمان با سبزينگي و زردشدگي گياه سيبزميني بوده تصاوير تهيه شد. پردازشهاي لازم از جمله آمادهسازي تصاوير، تصحيح هندسي، شاخص گياهي، طبقهبندي نظارت نشده و طبقهبندي نظارت شده فازي بر روي تصاوير انجام شد. درنهايت با استفاده روش Overlay بر روي نقشههاي حاصل از طبقهبندي نظارت شده فازي و شاخصهايNDVI وSAVI سطح زيرکشت سيبزميني شناسايي شد. ضريب کاپا براي نقشههاي سطح زيرکشت سيبزميني حاصل از روش طبقهبندي فازي، شاخصهايNDVI و SAVI به ترتيب90، 87 و 85 درصد به دست آمد. مساحت سطح زير کشت سيب زميني نيز به ترتيب حدود 38740، 36728 و 36614 هکتار در سال 1387 تعيين شد. بر اساس نتایج اين مطالعه مشخص شد که ميتوان از روش طبقهبندي فازي و سري زماني دادههاي سنجنده AWIFS براي تشخيص و تخمين سطح زير کشت سيبزميني با دقت تقريبا قابل قبول استفاده کرد و همچنين استفاده از شاخصهاي گياهي مذکور داراي سرعت بالا براي تفکيک سطح زيرکشت اين محصول است. |
نوع مقاله: پژوهشی تاریخ دریافت: 29/08/1401 تاریخ پذیرش: 21/12/1401 دسترسی آنلاین: 28/12/1401
كليد واژه‌ها: طبقهبندي فازي، NDVI، تصحیح هندسی | |
| ||
[1] *پست الکترونیکی نویسنده مسئول: shahbazi.a@ut.ac.ir
Journal of Environmental Research and Technology, 7(12) 2022. 77-89
|
Determination of Potato Crop Cultivation in Hamedan Province, Using time series Satellite Images IRSP6 Loqman Khodakarmi1, Ali Shahbazi2*, Kamran Nasir Ahmadi31
1- Faculty member of Petroleum Engineering Department, Faculty of Engineering, Koya University, Koya, Kurdistan Region, Iraq 2- Faculty member of Environment Department, Faculty of Natural Resources, University of Tehran, Karaj, Iran 3- Faculty member of Chemical Engineering Department, Faculty of Chemical and Industrial Engineering, University of Science and Technology, Behshahr, Iran | |||
Article Info | Abstract | ||
Article type: Research Article
Keywords: Fuzzy classification, NDVI, Geometric correction | The aim of this study is to detect and quantify the cultivated area of potato fields in Hamadan Province using remote sensing methods and a time series of satellite photos. As a result, Awifs time-series imaging was used to determine the potato cropping area. For this purpose, pictures were taken at three different times when the potato plant turned green and yellow. Necessary processing such as preparation, atmospheric and geometric correction, vegetation index, and unsupervised classification were performed on the images. Finally, by using Overlay method on the maps obtained from fuzzy supervised classification and NDVI and SAVI indices, potato under cropping area was identified. The kapa coefficient for potato under cropping area determined by phase classification, NDVI, and SAVI was 90, 87, and 85%, respectively. In 1998, the potato under cropping area was determined to be 38740, 36728, and 36614 acres, respectively. This study clearly shows that the phase classification method and Awif data time series can be used to recognize and estimate potato under cropping area with acceptable precision and the mentioned vegetation indices distinguish potato under cropping area faster. | ||
| |||
[1] * Corresponding author E-mail address: shahbazi.a@ut.ac.ir
مقدمه
سنجش از دور به کمک امواج الکترومغناطيس طبيعي و مصنوعي در بررسيها و برنامهريزيهاي کشاورزي و منابع طبيعي کاربرد بسيار دارد. تکنيکهاي سنجش از دور به دليل تناوب در اخذ تصاوير يک ناحيه، تصويربرداري در طول موجهاي مختلف در يک زمان و در نهايت امکان پردازش و تفسير سريع اين اطلاعات به‌طور گسترده در تحليلهاي مختلف مربوط به گياهان مورد استفاده قرار ميگيرند (Jamshidi, 2020). امروزه کاربرد اين علم در بخشهاي مختلف با توجه به منافع حاصله، خصوصاً از جنبه سرعت انجام کار، هزينه‌هاي انجام شده، حجم دادههاي توليدي و دقت كار رو به رشد است. سنجش از دور به واسطه به هنگام بودن دادهها و نقشههاي توليدي و امکان آشکارسازي سريع تغييرات محيطي و همچنین با توجه به وسعت این عرصهها در بخشهای کشاورزی و منابع طبیعی کاربرد فراوانی دارد (Curran, 1995 Barrett and Curti, 1992;). تخمين و تعيين سطح زيرکشت محصولات کشاورزي در برنامهريزيها و تصميمگيريها اهميت دارد، جمعآوري اطلاعات و مشاهدههای زميني و تهيه گزارشهای مربوطه در خصوص سطح زير کشت بسيار هزينه بر و زمان بر است. دادههاي حاصل از سنجش از دور ميتواند با تشخيص نوع و تعيين سطح زير کشت محصولات زراعي، اطلاعات مفيدي در اختيار متخصصان کشاورزي قرار دهد (Curran, 1995; Hu et al., 2019). اساس برنامهريزي و مديريت صحيح کشاورزي داشتن آمار و اطلاعات صحيح و به هنگام از وضعيت کشاورزي است. استفاده از دادههاي سنجش از دور به دليل داشتن ويژگيهايي مانند چند زمانه بودن، چند طيفي بودن، ديد وسيع و يکپارچه و بدليل مزيتي که در تفکيک طيفي و مکاني اطلاعات دارند ميتواند اين اطلاعات را بدست آورد (Abdalah Zadeh and Nasiri, 2008).
آگاهي از توزيع انواع محصولات کشاورزي از نيازهاي اساسي در برنامهريزي و تصميمگيريهاي بازرگاني است و همچنين اين امر براي بررسي پارهاي از مطالعات کشاورزي مانند تنش آبي و برآورد بازدهي در قالب سنجش از دور بسيار ضروري است (Ashvrlv et al, 2006). در سالهاي اخير، كاربرد سنجش از دور و سيستم اطلاعات جغرافيايي در مطالعات کشاورزي و تهيه نقشههاي موضوعي گسترش فراواني پيدا کرده است. تهيه نقشه کاربري و پوشش اراضي از نيازهاي اساسي براي مديريت و نظارت محيطي است. اين نقشهها در برنامهريزي و تصميمگيريهاي مختلف استفاده ميشوند، مطالعه مکانهاي زير کشت با استفاده از دادههاي ماهوارهاي موجود و تهيه نقشه اراضي زير کشت آن در هر سال ميتواند دولت را در مديريت بهينه اين اراضي کمک شاياني نمايد (Kholfi and Davarpanah, 2008: 2). با توجه به اهميت تهيه نقشه اراضي تحت كشت با استفاده از تصاوير ماهوارهاي به تعدادي از مطالعات انجام شده در اين خصوص اشاره ميشود: Wardlow و همکارانش (2006) قابليت سري زماني شاخصهاي گياهي را براي طبقهبندي مزارع بزرگ کشاورزي شامل يونجه، ذرت، سويا و گندم با استفاده از تصوير MODIS با قدرت تفکيک 250 متر بررسي و با توجه به روندهاي زماني متفاوت شاخصهاي EVI و NDVI کلاسهاي مختلف را از هم تفکيک کردند. نتايج آنها نشان داد که تفکيکپذيري غلات در دوره بلوغ محصولات نسبت به دوره رشد محصولات چشمگيرتر است.Sawasawa (2003) در تحقيقي با استفاده از تلفيق RS، GIS و پارامترهاي مديريت سطح زيرکشت برنجزارها را در منطقهاي در نظام آباد ايالت آندراپراش هند برآورد کرد. اين مطالعه با استفاده از تصاوير ماهواره IRS و همچنين سري زماني تصاوير ماهواره اسپات و بكارگيري شاخصهاي گياهي و در نظر گرفتن مراحل مختلف فنولوژي گياه برنج انجام شد.
در تحقیقی دیگر در ترکيه با طبقهبندي مرحله به مرحله و با اعمال ماسکهاي متناوب در تصاوير ETM+ اقدام به تهيه نقشه غلات نمودند (Tucker and Arikan, 2000).
در یک پژوهش انجام شده براي تعيين سطح زير کشت شاليزارهاي منطقه اصفهان از دادههاي رقومي ماهواره IRS-ID هند (سنجنده‌هاي PAN, LIS III, و سري زماني AWIFS) استفاده کردند. آنها با استفاده از روشهاي حداکثر احتمال و حداقل فاصله از ميانگين و همچنين شاخص آب مساحت زير کشت شاليزارها را تعيين کردند (Khvajhaldyn and Pvrmnafy, 2007). اين مطالعه نشان داد که ميتوان دادههاي III LISS را براي تشخيص و تعيين دقيق سطح زير کشت شاليکاري و دادههاي سنجنده AWIFS براي تخمين سطح با دقت تقريباً قابل قبول استفاده کرد. همچنین Sarvyy و Nasiri (2002) در مطالعهاي با استفاده از فناوري RS و GIS نقشه اراضي زير کشت برنج را در شهرستان آمل و بابل با استفاده از دادههاي ماهواره لندست TMو با الگوريتم حداکثر احتمال طبقهبندي و طبقات مختلف از جمله برنج زارها تفکيک شد. در تحقيقي دیگر سطح زير کشت برنج در شهرستان مرو دشت را با استفاده از دو سري زماني تصاوير III LISS از ماهواره IRSP6 با استفاده از الگوريتم حداکثر احتمال و شاخصهاي NDVI وSAVI تعيين کردند (Salimi and Kazemi, 2009).
به دليل نقش پر رنگي که سیبزمینی در بحرانهاي جهاني نظير گرسنگي فقر و محيط زيست دارد، سازمان ملل متحد سال ۲۰۰۸ را سال سيبزميني1 ناميده است و از سيبزميني با عنوان «جواهر پنهان» ياد کرده است. همچنین از دولتها خواسته است با اختصاص زمينهاي بیشتر براي کاشت آن، مردم کشورشان را از زير بار گرسنگي آزاد کنند. سيب زميني سومين محصول غذايي پرمصرف در جهان است و بعد از گندم و برنج بيشترين ميزان استفاده را دارد. كارشناسان سازمان ملل اعلام كردهاند كه با پيشبيني افزايش جمعيت جهان در دو دهه آينده با سرعت ۱۰۰ مليون نفر در سال، سيب زميني در تغذيه اين جمعيت جايگاه ويژهاي خواهد داشت. سازمان ملل معتقد است: با افزايش کشت سيبزميني در کشورهاي جهان از ميزان فقرا کاسته شده و باعث افزايش امنيت غذايي ميشود و از اين طريق توجه دولتها را به کاشت اين محصول مهم كه نقشي حياتي در رفع گرسنگي مردم جهان دارد، جلب ميکند. با توجه به اينکه استان همدان يکي از قطبهاي توليد اين محصول در ايران است و همچنين يکي از محصولات عمده منطقه مورد مطالعه است، آگاهي از وضعيت سطح زيرکشت آن ميتواند کمک شاياني در ميزان کمبود و يا مازاد اين محصول را به منظور ثبات بازار صورت دهد. هدف تحقيق حاضر تعيين سطح زير کشت سيب زميني در استان همدان (در شهرستانهاي همدانف بهار، کبودرآهنگ و رزن) با استفاده از سري زماني تصاوير ماهوارهای IRS P6 از سنجنده AWIFS در سال 1387بود.
مواد و روشها
منطقه مورد مطالعه
منطقه مورد مطالعه در موقعيت جغرافيايي 51 َ34 ْ34 تا 7 َ43 ْ 35 عرض شمالي و 49 َ51 ْ47 تا 16 َ28 ْ49 طول شرقي واقع شده شکل (1)، که شامل شهرستانهاي همدان، بهار، کبودرآهنگ و رزن است. در اين تحقيق از دادههاي ماهواره IRS-P6 هند، مربوط به سنجنده AWIFS استفاده شد. در جدول (1) تاريخ دادههاي مورد استفاده در مطالعه ارائه شده است. علاوه بر دادههاي ماهوارهاي از نقشههاي 1:50000 سازمان نيروهاي مسلح نيز استفاده شد. سنجنده AWIFS داراي 4 باند شامل: باند 2 (سبز)، باند 3 (قرمز)، باند 4 (مادون قرمز نزديک) و باند 5 (مادون قرمز موج کوتاه) با قدرت تفکيک مکاني 56 متر است.
شکل (1) موقعيت جغرافيايي منطقه مورد مطالعه
جدول (1) دادههاي مورد استفاده در مطالعه
سنجنده | تاريخ به شمسي | سال |
AWIFS | 8 ارديبهشت | 1387 |
AWIFS | 26 تير | 1387 |
AWIFS | 28 مرداد | 1387 |
مشخصات دادههای ماهوارهای مورد مطالعه
به منظور تعيين دامنه زماني مناسب براي سفارش تصاوير ماهوارهاي، ابتدا تقويم زراعي محصولات مختلف منطقه مشخص شد جدول (2). 
سپس بر اساس زمان کاشت، اوج سبزينگي، برداشت و شخم محصولات مختلف مشخص تجزيه و تحليلهاي لازم براي تعيين زمان تصاوير انجام گرفت. نتايج بررسيها نشان داد براي تفکيک سيب زميني به سه سري زماني تصوير با توجه به تفاوت در کاشت و برداشت اين محصول در منطقه مورد مطالعه به دليل اختلاف آب و هوايي (پوشش سبز يونجه و گندم در منطقه شاهد 8 اردیبهشت است، 26 تیر در شهرستانهای همدان و بهار سيب زميني به‌طور کامل رشد کرده ولي در رزن و کبودر آهنگ در 28 مرداد رشد آن کامل میشود) نياز است شکل (2)، سري زماني تصاوير انتخاب شده را بر اساس مراحل رشد فنولوژيک کشتهاي عمده منطقه مورد مطالعه نشان ميدهد.
مهر | آبان | آذر | دي | بهمن | اسفند | فروردين | ارديبهشت | خرداد | تير | مرداد | شهريور | مهر | آبان | آذر |
برداشت در شهرستانهاي رزن و کبودر آهنگ | کود آلي | زمين در حال استراحت | آماده سازي زمين | کاشت بذر | رشد کامل بوته در شهرستانهاي بهار و همدان | اوايل رشد در شهرستانهاي سردسير و اوج رشد در شهرستانهاي گرمسير | اوج رشد در شهرستانهاي سردسير و در شهرستانهاي گرمسير آغاز برداشت | زرد شدن بوته در شهرستانهاي سردسير | برداشت در مناطق سردسير، در مناطق گرمسير کاملاً برداشت شده | |||||
شکل (2) تصاویر ماهوارهای منطقه مورد مطالعه
مرحله بعدی جمعآوری دادههای زمینی است. جهت تفکيک دقيق نواحي کشت سيب زميني از ساير محصولات زراعي هم چنين به منظور توليد نقشه واقعيت زميني، نمونهبرداري در سه مرحله انجام گرفت: مرحله اول در ارديبهشت انجام شد که هم زمان با کاشت سيب زمِيني، مرحله دوم در اواخر مرداد و اوايل شهريور که در اين زمان سيب زميني همدان و بهار در حال برداشت بود و مرحله سوم در مهرماه انجام گرفت که در اين فصل در شهرستان رزن و کبودر اهنگ شاهد برداشت محصول بوديم. در هر سه مر حله با استفاده از GPS موقعيت مناطق ثبت شد و هم چنين پرسشنامههايي توسط کشاورزان در باره تاريخ کاشت و برداشت سيبزميني و ساير محصولات کامل شد. که در مجموع 90 پرسشنامه تکميل و400 نقطه زميني ثبت شد.
در مرحله بعد به پردازش تصویر پرداخته میشود. مراحل پردازش دادههاي ماهوارهاي تا دستيابي به تعيين سطح زير کشت سيب زميني، به صورت زير است: 1-تصحيح هندسي و اتمسفريک 2-بارزسازي (افزايش کنتراست و انواع آناليزها) 3-طبقهبندي تصاوير (نظارت نشده و طبقهبندي نظارت شده فازي) 4 -تلفيق لايههاي تهيه شده.
براي تصحیح اتمسفريک از تکنيک کاهش پيکسلهاي تاريک استفاده شد. با اين فرضيه که پيکسل تاريک با حداکثر احتمال، کمترين ميزان انعکاس طيفي را دارد و متعلق به آب عميق و سايه ميان تصوير است که انعکاس آن صفر است. زيرا در صورت وجود ذرات پراکنده در جو، پراکنش جوي باعث ميشود که عملاً انعکاس طيفي پيکسلهاي تاريک صفر نباشد (Sarnam et al. 2002: 220).
براي تصحیح هندسی از نقشههاي رقومي ( با استفاده از خطوط مربوط به شبکه آبراههها و لايه راهها) به عنوان نقشه مبنا استفاده شد و تصوير 8 اردیبهشت با انتخاب 30 نقطه مشترک با پراکنش مناسب در سيستم تصوير UTM مطابقت داده شد و تصاوير 26 تیر و 28 مرداد هم با تصوير 8 اردیبهشت اصلاح هندسي شدند. در مرحله بعد به منظور آشكارسازي بهتر عارضه‌ها و تفكيك پديده‌هاي زميني از تركيب رنگي كاذب استفاده شد. سنجنده AWIFS داراي 4 باند مختلف است لذا امكان توليد 24 تصوير رنگي كاذب وجود دارد. براي مشخص كردن بهترين تركيب سه تايي باندها كه داراي بيشترين اطلاعات از وضعيت پوشش اراضي منطقه مطالعه باشد از ضريب شاخص مطلوبيت (OIF)2 استفاده شد. در اين تحقيق براي ارزيابي بهتر وضعيت پوشش اراضي از دو شاخص گياهي NDVIو SAVI استفاده شد. اين شاخصها با توجه به اينكه پوشش گياهي از بخش مرئي به طرف بخش مادون قرمز مياني، تفاوت معنيداري را در انعکاس و جذب طيفها نشان مي‌دهند وضعيت پوشش گياهي را بصورت ارزشهاي عددي بين 1- تا 1 نشان داده و بر اساس آن امكان طبقهبندي منطقه به اراضي تحت كشت، آيش و باير وجود خواهد داشت (French et al., 2020). در مرحله بعدی به طبقهبندی تصاویر پرداخته میشود. طبقهبندي تصاوير را ميتوان به عنوان مهمترين بخش تفسير اطلاعات ماهوارهاي به شمار آورد (Tso and Mather, 2001). در اين مطالعه از الگوريتمهاي دو روش طبقه بندي نظارت نشده و نظارت شده فازي جهت طبقهبندي تصاوير استفاده شد و نهایتاً دقت وصحت نقشههاي طبقهبندي شده به کمک نقشه واقعيت زميني که با استفاده از200 نقطه کنترل زميني و مساحتي حدود 5 درصد سطح منطقه تهيه شده بود، انجام گرفت. سپس با قطع دادن اين نقشه با نقشههاي بدست آمده از طبقهبندي تصاوير ماهوارهاي و بر اساس آن ماتريس خطا3 تشكيل و دقت کلي4 و ضريب کاپا5 محاسبه شد. شایان ذکر است، در طبقهبندي نظارت شده به روش فازي بالاترين دقت مربوط به طبقهبندي بهترين ترکيب باندي بود. از آنجا که سيبزميني محور اصلي تحقيق حاضر است، و به علت مشابه بودن بازتاب سيبزميني با يونجه و گندم و جو در فصولي که اين محصول در اوج رشد است نميتوان از يک تصوير براي تفکيک و استخراج سطح زير کشت سيبزميني استفاده کرد، با توجه به جدول زمانبندي کشتهاي عمده و تفاوت اقليمي و تفاوت کاشت و برداشت، سه سري زماني تصاوير IRSP6 از سنجنده AWIFS انتخاب شد به گونهاي که بر اساس تفاوت اقليم در شهرستانهاي بهار و همدان که آب و هواي معتدلتري دارند، سيب زميني بهاره کشت ميشود و در شهرستان رزن و کبودر آهنگ به علت سردسير بودن سيب زميني پاييزه کشت ميشود. در این تحقیق تصاوير به گونهاي انتخاب شد که تصوير اول در زماني باشد که سيبزميني کشت نشده باشد و تصوير دوم در اوج رشد اين محصول باشد. به اين دليل براي شهرستانهاي بهار و همدان دو تصوير 8 اردیبهشت و 26 تیر انتخاب شد، در 8 اردیبهشت کشت گندم، جو و يونجه در اوج رشد است ولي در 26 تیر گندم و جو برداشت شده است. در این رابطه نتایج کار ما با نتایج سایر محققین همخوانی دارد (Khvajhaldyn et al., 2017 ؛ Salimi, Kazemi, 2009).
در مطالعة حاضر، به منظور طبقهبندي تصاویر به روش فازي از ترکيب روشهاي فازي و حداکثر احتمال استفاده ميشود. نظرية مجموعههاي فازي (Zadeh, 1978)، فرضيهاي براي اقدام در شرايط عدم اطمينان است. اين نظريه قادر است بسياري از مفاهيم و متغيرها و سيستمهايي را که نادقيق هستند (چنانچه در عالم واقع اکثراً چنين است) صورتبندي رياضي ببخشد و زمينه را براي استدلال، استنتاج، کنترل و تصميمگيري در شرايط عدم اطمينان فراهم آورد ( Ranjbar and Honarmand, 2004).
در ردهبندي نظارت شدة مرسوم در سنجش از دور، نقاط تعليمي و نتايج ردهبندي بر مبناي روش يک پيکسل يک رده6 هستند در حقيقت يك پيكسل فقط به يك رده ميتواند تعلق داشته باشد رده مخلوط نميتواند به عنوان نقاط تعليمي يا يك طبقه فرض شود و ميزان عضويت7 در پيكسلها مشخص نيست .در حقيقت در روشهاي کلاسيك ردهبندي مرزهاي مناطق آموزشي به صورت ناگهاني تغيير ميکند و به صورت تدريجي نيست .اين محدوديتهاي آشكار باعث کاهش ارزش ردهبندي سطوح و استخراج اطلاعات ضعيفي ميشود و ممكن است اطلاعات با ارزشي از بين برود. اين مشكل، بيشتر به خاطر مفهوم عضويت در نظريه مجموعههاي کلاسيك است که بر اساس آن يك مجموعه مرزهايي دارد و هر عضو ميتواند به طور کامل عضو اين مجموعه باشد يا نباشد. نظريه مجموعههاي فازي که به منظور از بين بردن ابهام در دادهها به کار ميرود، يك مفهوم جديدي است که بر اساس آن عضويت جزيي8 اجازه ميدهد که اطلاعات در موقعيتهاي پيچيده تر مثلاً پوششهاي مخلوط يا شرايط حدواسط بهتر نمايش داده شده و به کار روند اگرچه تحليل تصاوير سنجش از دور با استفاده از مجموعههاي فازي دشوار و مشكل است، اما با توجه به اينكه در دادههاي سنجش از دور، اغلب تعيين مرز بين دو رده مختلف آسان نيست، ميتوان از نظريه، مجموعههاي فازي به صورت کيفي به خوبي استفاده کرد. در اين نظريه، رتبه عضويت ميتواند مقداري بين 0 و 1 در نظر گرفته شود، در صورتي که در حالت عادي عضويت نظريه مجموعهها، رتبه عضويت فقط 0 يا 1 اختيار ميشود براي انجام اين ردهبندي انتخاب مناطق آموزشي لازم است. بر خلاف روشهاي معمول ردهبندي که هرکدام از مناطق آموزشي حاوي موادي هستند که در نوع خود خالص است و هيچگونه تغييرات تدريجي در آنها وجود ندارد در اين روش ضروري نيست که نقاط تعليمي کاملا يکنواخت باشندChen et al., 2012) Wang, 1990;). برای ترکيب روشهاي فازي و حداکثر احتمال با انتخاب مناطق تعليمي، پارامترهاي ميانگين و کواريانس اين مناطق به ترتيب با استفاده از توابع 1 و 2 به صورت مجموعه فازي براي هر طبقه تعريف ميشوند رابطه (1 و 2) (Farn Chen and Tan Li, 2000).
= ميانگين فازي نمونه تعليمي طبقهC
= کوواريانس فازي نمونه تعليمي طبقه C
= ارزش برداري پيکسل i ام
=تابع عضويت پيکسل براي نمونه تعليمي طبقه C
N = کل پيکسلهاي نمونه تعليمي
T = تابع تبديل
تابع عضويت هر پيکسل بر اساس الگوريتم حداکثر احتمالي که در فرمول آن از ميانگين و کوواريانس فازي استفاده مي شود تعريف میشود. الگوريتم حداکثر احتمال بصورت رابطه (3) است (Farn Chen and Tan Li, 2000).
ارزش تابع عضويت هر پيکسل با استفاده از رابطه (4) محاسبه ميشود (Farn Chen and Tan Li, 2000).
= تابع عضويت پيکسل به کلاس c
= حداکثر احتمال تعلق پيکسل به کلاس c
= تعداد طبقات
=تعداد باند
در نهايت پس از محاسبه ماتريس فاصله براي هر طبقه و با داشتن يک ماتريس وزن و با استفاده از رابطه (5) ميتوان عمل تعلق دادن هر پيکسل به يک طبقه مشخص9 را انجام داد (ERDAS Field Guide, 2007).
که در اين فرمول
= به ترتيب نمايه رديف وستون در پنجره متحرک
= اندازه پنجره (3،5 يا 7)
= نمايه مربوط به لايه در مجموعه فازي
= تعدادلايه‌هاي فازي به کار رفته
= ماتريس وزن براي پنجره
= نمايه مربوط به طبقه
= ارزش ماتريس فاصله براي طبقه k
= فاصله وزني طبقه k
يافتههاي پژوهش
نتايج مراحل مختلف آمادهسازي و پردازش تصاوير ماهورهاي به شرح زير است:
تصحيح هندسي تصوير 8 اردیبهشت با استفاده 30 نقطه و به روش نزديکترين همسايه با 10RMSE برابر 4/0 انجام گرفت. در ادامه تصاوير 26 تیر و 28 مرداد با استفاده از تصوير 8 اردیبهشت هم مختصات شدند، که RMAE آنها به ترتيب 34/0 و 3/0 است. نتايج بهترين ترکيب باندي با استفاده از شاخص OIF براي تصاوير در جدول (3) آمده است. که بهترين ترکيب باندي ترکيب 2-3-4 است.
به منظور پردازش اولیه تصاویر و شناخت كلي از کاربري اراضي منطقه ابتدا طبقهبندي نظارت نشده به روشIso Data برروي تصاوير انجام شد. نتايج طبقهبندي اوليه به منظور بررسي تنوع و الگوي كشت موجود در منطقه و همچنين انتخاب نمونههاي تعليمي در طبقهبندي نظارت شده استفاده شد. همانطور که در جدول شماره (2) مشاهده ميشود، در طبقهبندي با استفاده از شاخصهاي گياهي SAVI وNDVI براي تهيه نقشه سطح زير کشت سيب زميني شاخصNDVI از دقت بيشتري نسبت به شاخص SAVI برخوردار است. در طبقهبندي نظارت شده به روش فازي بالاترين دقت مربوط به طبقه بندي بهترين ترکيب باندي بود.
براي شهرستانهاي رزن و کبودر آهنگ دو تصوير 8 اردیبهشت و 28 مرداد انتخاب شد که در تصوير اول هنوز سيب زميني کشت نشده ولي در تصوير دوم اين محصول در اوج رشد است اما گندم و جو کاملا برداشت شدهاند. پس از انتخاب تصاوير، تصحيحات لازم، پيش پردازشهاي اوليه و انتخاب نقاط تعليمي مناسب اقدام به طبقهبندي دادهها با استفاده از روش طبقهبندي فازي شد. هر يک از تصاوير به 9 کلاس شامل: طبقات شخم، آب، پوشش گياهي، اراضي باير، مناطق آهکي،کوه، شوره زار، شهر و آيش) طبقهبندي شدند. طبقه پوشش گياهي از هر سه تصوير استخراج شد، براي به دست آوردن سطح زير کشت سيب زميني شهرستان همدان و بهار نقشه پوشش گياهي حاصل از تصوير 26 تیر که شامل کاربريهاي يونجه، سيب زميني، باغ و قلمستان بود با استفاده از طبقه پوشش گياهي تصوير 8 اردیبهشت که شامل کاربريهاي گندم، جو، يونجه و باغ و قلمستان است ماسک وسطح زير کشت سيبزميني بدست آمد. براي به دست آوردن سطح زيرکشت سيب زميني شهرستانهاي رزن و کبودر آهنگ پوشش گياهي حاصل از تصوير 28 مرداد که شامل کاربريهاي يونجه و باغ و قلمستان است با استفاده از تصوير 8 اردیبهشت که شامل گندم، جو، يونجه و باغ و قلمستان است ماسک و سطح زير کشت سيب زميني در اين منطقه نيز مشخص شد.
بعد از تلفيق اين دولايه نقشه سطح زير کشت سيب زميني منطقه مورد مطالعه با مساحت 36728 هکتار به تهيه شد شکل (3). با استفاده از شاخصهاي گياهي SAVI و NDVI و تعيين حد آستانه براي نقشههاي حاصل از اين شاخصها، نقشه سطح زير کشت سيبزميني با استفاده از ماسک نقشه پوشش گياهي تصوير تاريخ آورده شود با نقشه پوشش گياهي حاصل از تصوير تاريخ آورده شود تهيه شد که مساحت سطح زير کشت اين محصول با شاخص NDVI و SAVI بر اساس شکل (3) به ترتيب برابر است با 38740 و36614 هکتار، مقدار اختلاف در برآورد به دليل تفاوت در تعيين حد آستانه شاخصهاي گياهي است.
شکل(3) نقشه سطح زير کشت سيب زميني حاصل از شاخصهاي NDVI ، SAVI و روش طبقهبندي فازي
بهترين ترکيب | تصاوير | |
31/86 | 2 و 3 و 4 | 8 اردیبهشت |
05/66 | 2 و 3 و 4 | 26 تیر |
03/93 | 2 و 3 و 4 | 28 مرداد |
|
|
|
جدول (4) نتايج ارزيابي روشهاي طبقه بندي
روش طبقه بندي | صحت کلي(%) | ضريب کاپا |
شاخص NDVI | 87 | 84/0 |
شاخص SAVI | 85 | 82/0 |
روش فازي (ترکيب باندي 2و3و4) | 90 | 88/0 |
روش فازي (ترکيب باندي 1و2و3و4) | 89 | 87/0 |
بحث و نتيجهگيري
اين تحقيق نشان داد بهترين زمان براي تعيين زير کشت سيبزميني استفاده از سري زماني دادههاي ماهوارهاي است. دادههاي ماهوارهاي لازم است به گونهاي انتخاب شوند که زمان اول قبل از کشت سيب زميني و در زمان دوم اين محصول در اوج سبزينگي باشد و اين مهم با تهيه جدول زمانبندي مراحل فنولوژيک رشد کشتهاي عمده در منطقه امکانپذير میشود. براي منطقه مورد مطالعه سه سري زماني 8 اردیبهشت، 26 تیر و 28 مرداد براساس تفاوت اقليمي و تفاوت در کاشت و برداشت، در منطقه مورد مطالعه بهترين سريهاي زماني است. نتایج کار ما با نتایج سایر مطالعات انجام شده مطابقت دارد. در این زمینه میتوان به پژوهشهای انجام شده توسط عبدالهزاده و همکاران (2007)، Jeong et al., 2022، Hasim & Bhar, 2020، Manfron et al., 2017 ، Krishna Mohan et al., 2000، Wardlow et al., 2007 اشاره کرد.
یکی از موارد قابل اشاره در این مطالعه این است که بر اساس آمار ارائه شده توسط سازمان جهاد کشاورزي استان همدان سطح زير کشت سيبزميني منطقه مورد مطالعه درحدود 26000 هکتار براورد شده که توليد اين محصول در سال 1387 در حدود 2 ميليون تن تخمين زده شده است. اما نتايج مطالعه ما نشان داد که مساحت زير کشت سيب زميني برابر با 36728 هکتار بوده که با توجه به ميانگين برداشت 50 تن در هکتار که نتيجه مطالعات پرسشنامهاي و اخذ اطلاعات از کشاورزان منطقه است، ميزان برداشت سيب زميني در سال 1387 معادل 1836400 تن بوده است.
به عنوان سخن پایانی پایانی با توجه به نتايج حاصله، پيشنهاد ميشود با بکارگيري اين روش نسبت به تهيه نقشه اراضي زيرکشت محصولات مختلف در سطح استان اقدام شود. سهل الوصول بودن دادهها، دسترسي سريع به نقاط دور افتاده و کوهستاني ودقت نسبتا بالاي استفاده از دادههاي ماهوارهاي، از امتيازات خاص فن سنجش از دور محسوب ميشود. به دليل اينکه دادههاي سنجش از دور داراي تنوع طيفي و پوششهاي تکراري مناسب بوده و با توجه به اينکه در مقايسه با ساير روشهاي گردآوري اطلاعات ارزانتر هستند، ميتوانند به عنوان منبعي مناسب براي جمعآوري داده و ايجاد بانک اطلاعات کشاورزي استفاده شوند.
منابع
Abdalah Zadeh, M. And Nasiri, M. B. (2008). Determination of potato cultivated in the city using a series Borujen When images IRSP6. National symposium of Geomatic 2008. Survey Organization, Tehran.
Alavi Panah, S. K. (2003). Remote sensing applications in geosciences. Tehran University Press.
Ashvrlv, M., A. Mhmddy, AS, Rezaeian, P. and Vashvrlv, D. (2006). Application of linear analysis in the diagnosis of separating wheat from other Products on satellite images. Journal of Environmental Sciences. (2), 101-116.
Barrett, E.C. and L.F. Curtis. (1992). Introduction to environmental remote sensing. Routledge.
Chen, C. F., Son, N. T., & Chang, L. Y. (2012). Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data. Advances in Space Research, 49(2), 292-301.
Curran, P. (Translation reza haer). (1995). Principles of remote sensing. Iranian Remote Sensing Center. Omid Publications, Tehran.
Guide, E. F. (2010). Technical documentation. ERDAS Inc.
Farn Chen, C. and Y. Tan Li. (2000). Supervised Classification of Multi-Temporal Remote Sensing Images, Int: 20 Th Asian Conferences on Remote Sensing.
http://www.sarmayeh.net/ShowNews.php?7063, Download in 28/6/2009.
French, A. N., Hunsaker, D. J., Sanchez, C. A., Saber, M., Gonzalez, J. R., & Anderson, R. (2020). Satellite-based NDVI crop coefficients and evapotranspiration with eddy covariance validation for multiple durum wheat fields in the US Southwest. Agricultural Water Management, 239, 106266.
Jamshidi, B. (2020). the Role of Spectroscopy as an Optical Non-destructive Technology in Development of Smart Agriculture. NDT Technology, 2(5), 83-92. doi: 10.30494/jndt.2020.217468.1035
Jensen, J. R. (1996). Introductory digital image processing: a remote sensing perspective (No. Ed. 2). Prentice-Hall Inc.
Jeong, S., Ko, J., & Yeom, J. M. (2022). Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea. Science of the Total Environment, 802, 149726.
Hasim, S., & Bhar, K. K. (2020). Seasonal Cropping Pattern Extraction Using NDVI from IRS LISS-III Image of Kangsabati Commanded Area. Procedia Computer Science, 167, 900-906.
Hu, Q., Sulla-Menashe, D., Xu, B., Yin, H., Tang, H., Yang, P., & Wu, W. (2019). A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series. International Journal of Applied Earth Observation and Geoinformation, (80), 218-229.
Khodakarami, L. (2022). Determination of Potato Crop Cultivation in Hamedan Province, Using time series Satellite Images IRSP6.
Khvajhaldyn, S.J. and Pvrmnafy, S. (2007). Determine the level of marginal paddy Zayandehrod River in Isfahan Region with satellite sensor digital data of IRS. Journal of Science and Technology of Agriculture and Natural Resources.Isfahan University of Technology. (1), 513-527.
Khvajhaldyn, S.J. (1997). The role of remote sensing of natural resources in sustainable agricultural development and use of these data in planning industrial agriculture. Proceedings of Seminar on Role of Technology in Agricultural Development, Scientific Research & Publications in cooperation with the Town Publishing Mani, Isfahan.
Mohan, B. K., Madhavan, B. B., & Gupta, U. D. (2000). Integration of IRS-1A L2 data by fuzzy logic approaches for landuse classification. International journal of remote sensing, 21(8), 1709-1723.
Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (1994). Remote sensing and image interpretation. John Willey & Sons. Inc, United States of America.
Manfron, G., Delmotte, S., Busetto, L., Hossard, L., Ranghetti, L., Brivio, P. A., & Boschetti, M. (2017). Estimating inter-annual variability in winter wheat sowing dates from satellite time series in Camargue, France. International journal of applied earth observation and geoinformation, 57, 190-201.
Ranjbar, H., & Honarmand, M. (2004). Integration and analysis of airborne geophysical and ETM+ data for exploration of porphyry type deposits in the Central Iranian Volcanic Belt using fuzzy classification. International Journal of Remote Sensing, 25 (21), 4729-4741.
Richards, J. A., & Richards, J. A. (1999). Remote sensing digital image analysis (Vol. 3, pp. 10-38). Berlin: springer.
Salimi, S. and Kazemi, F. (2009). Application of satellite images IRS in order to map the distribution of rice in the city Marvdasht. (2008). National symposium of Geomatic2008. Survey Organisation, Tehran.
Joshi, P. K., Roy, P. S., Singh, S., Agarwal, S., & Yadav, D. (2002). Biome level characterization (BLC) of western India-a geospatial approach. Tropical ecology, 43 (1), 213-228.
Sarvyy, S. and Nasiri, A. (2002). Using remote sensing technology in the preparation of statistics and maps of land unse rice cultivation in the north (city of Amol and Babol). National symposium of Geomatic2002. Survey Organisation, Tehran.
Sawasawa, H. (2003). Crop yield estimation: Integrating RS, GIS, and management factors. International Institute for Geo-information Science and Earth Observation, Enschede The Netherlands.
Tso, B. and P. Mather. (2001). Classification Methods for Remotely Sensed Data.Taylor & Francis, UK.
Turker, M., & Arikan, M. (2004). Field-Based Crop Mapping through Sequential Masking Classification of Multi-temporal LANDSAT-7 ETM+ Images in Karacabey, Turkey. Int. Arch. Ph. RS, 35, 192-197.
Wang, F. (1990). Fuzzy supervised classification of remote sensing images IEEETransactions on Geosciences and Remote Sensingm. (28), 194-201.
Wardlow, B. D., Egbert, S. L., & Kastens, J. H. (2007). Analysis of time-series MODIS 250 m vegetation index data for crop classification in the US Central Great Plains. Remote sensing of environment, 108(3), 290-310.
Wright, G. G., & Morrice, J. G. (1997). Landsat TM spectral information to enhance the land cover of Scotland 1988 dataset. International journal of remote sensing, 18(18), 3811-3834.
Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy sets and systems, 1(1), 3-28.
Zhtabyan, GH.R. and Tabatabai, M. R. (1999). Studying the process of desertification using satellite imagery processing and geographic information system (GIS). Iranian Journal of Rang and Desert. (2), 57-67.
[1] International Year of the Potato
[3] Confuse Matrix
[4] Overall Accuracy
[5] Kappa Coefficient
[6] one-pixel-one-class
[7] Membership
[8] Partial membership
[9] Defuzzification
[10] Root Mean Square Error