برآورد سطح زیرکشت گندم دیم با استفاده از تصاویر ماهواره ای سنتينل2 (مطالعه موردی: منطقه سجاسرود شهرستان خدابنده استان زنجان)
محورهای موضوعی : سنجش از دور و جغرافیای زیستیسید احمد موسوی 1 , نادیا عباس زاده طهرانی 2 * , میلاد جانعلی پور 3
1 - سنجش از دور و سیستم اطلاعات جغرافیایی، واحد الکترونیکی دانشگاه آزاد اسلامی، تهران، ایران
2 - پژوهشگاه هوافضا وزارت علوم تحقیقات و فناوری
3 - پژوهشگاه هوافضا وزارت علوم تحقیقات و فناوری
کلید واژه: سطح زیر کشت, گندم, سنجش‌ازدور, طبقهبندی, سنتينل 2,
چکیده مقاله :
كشت و توليد محصول گندم همواره پاسخگوي نيازهاي تغذيه اي بخش عظيمي از مردم جهان بوده است، لذا در ايران و جهان ازجمله محصولات کشاورزی استراتژيك محسوب میشود. در اختیار داشتن آمار و اطلاعات مناسب از سرزمين هاي تحت كشت گندم و برآورد ميزان دقيق توليد آن‌ها در يك سال زراعي، به برنامه ريزان بخش كشاورزي و صنعت جهت مدیریت هرچه مؤثرتر تولید و مصرف محصول مذکور، كمك شاياني مي نمايد. یکی از ابزارهایی که در کمترین زمان و با هزینه پایین و دقت مناسب میتواند سطح زیر کشت گندم را محاسبه نماید علم و فناوری سنجش‌ازدور‌است. در تحقیق حاضر، با استفاده از کلاسه‌بندی نظارت‌شده تصاویر چند زمانه سنجنده سنتينل 2، سطح زیر کشت گندم و میزان تولید آن در دهستان سجاسرود از توابع شهرستان خدابنده استان زنجان برای سال زراعی 96-97 برآورده شده است. طبقهبندی نظارت‌شده با دقت کلی80% و ضریب کاپای 8/0 نتایج قابل‌قبول و مناسبی برای شناسایی و تفکیک گندم از سایر محصولات كشاورزي را ارائه مي دهد.
Wheat is one of the strategic agricultural products which provides one of the most basic nutritional needs of human societies for Iran and the whole world. Having the right statistics and information of the lands under wheat cultivation and estimating the amount of their production in one crop year can help the planners of agriculture and industry to manage the production and consumption of the mentioned product as effectively as possible. One of the tools that can calculate the level of wheat cultivation in the shortest time and with low cost and appropriate accuracy is the science and technology of remote sensing. In the present study, using a supervised classification of images from several time of Sentinel 2, the area under wheat cultivation and its production rate for the 96-97 crop year has been estimated. Supervised classification with the overall accuracy of 80% and a kappa coefficient of 0.8 has acceptable and suitable results for the identification and separation of wheat from other agricultural crops.
Asmala, A. (2012). Analysis of maximum likelihood classification on multispectral data. Applied Mathematical Sciences, 6, 6425-6436
Bernstein, L.S., Jin, X., Gregor, B., & Adler-Golden, S.M. (2012). Quick Atmospheric Correction Code: Algorithm Description and Recent Upgrades. Optical Engineering, 51, 111719
Bocco, M., Ovando, G., Sayago, S., & Willington, E. (2007). Neural network models for land cover classification from satellite images. Agriculture Tecnica, 67, 414-421
Clevers, J.G., & Gitelson, A.A. (2013). Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3. International Journal of Applied Earth Observation and Geoinformation, 23, 344-351
Clevers, J.G., Kooistra, L., & Van den Brande, M.M. (2017). Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop. Remote Sensing, 9, 405
Dadhwal, V., Singh, R., Dutta, S., & Parihar, J. (2002). Remote sensing based crop inventory: A review of Indian experience. Tropical Ecology, 43, 107-122
Dutta, S., Patel, N., Medhavy, T., Srivastava, S., Mishra, N., & Singh, K. (1998). Wheat crop classification using multidate IRS LISS-I data. Journal of the Indian Society of Remote Sensing, 26, 7-14
Foody, G.M., & Mathur, A. (2004). A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42, 1335-1343
Lobell, D.B., Asner, G.P., Ortiz-Monasterio, J.I., & Benning, T.L. (2003). Remote sensing of regional crop production in the Yaqui Valley, Mexico: estimates and uncertainties. Agriculture, Ecosystems & Environment, 94, 205-220
Mantero, P., Moser, G., & Serpico, S.B. (2005). Partially supervised classification of remote sensing images through SVM-based probability density estimation. IEEE Transactions on Geoscience and Remote Sensing, 43, 559-570
Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247-259
Pontius Jr, R.G., & Millones, M. (2011). Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing, 32, 4407-4429
Suykens, J.A., & Vandewalle, J. (1999). Chaos control using least‐squares support vector machines. International journal of circuit theory and applications, 27, 605-615
Zhang, X., Sun, R., Zhang, B., & Tong, Q. (2008). Land cover classification of the North China Plain using MODIS_EVI time series. ISPRS Journal of Photogrammetry and Remote Sensing, 63, 476-484
رحیم زادگان, م., & پورغلام, م. (1395). تعیین سطح زیر کشت گیاه زعفران با استفاده از تصاویر لندست (مطالعه موردی: شهرستان تربت حیدریه). سنجش از دور و سامانه اطلاعات جغرافيايي در منابع طبيعي ( كاربرد سنجش از دور و GISدر علوم منابع طبيعي ), 7, -
عباس زاده تهرانی, ن., بهشتی فر, م., & مربی, م. (1390). برآورد سطح زیر کشت محصول در استان قزوین با به کارگیری تصاویر چند زمانه IRS-LISS III. پژوهش هاي محيط زيست, 2, -
برآورد سطح زیر کشت گندم دیم با استفاده از تصاویر ماهوارهای سنتينل-2
(مطالعه موردی: منطقه سجاس رود شهرستان خدابنده استان زنجان)
چکیده
كشت و توليد محصول گندم همواره پاسخگوي نيازهاي تغذیه‌ای بخش عظيمي از مردم جهان بوده است، لذا در ايران و جهان ازجمله محصولات کشاورزی استراتژيك محسوب میشود. در اختیار داشتن آمار و اطلاعات مناسب از سرزمينهاي تحت كشت گندم و برآورد ميزان دقيق توليد آن‌ها در يك سال زراعي، به برنامه ريزان بخش كشاورزي و صنعت جهت مدیریت هرچه مؤثرتر تولید و مصرف محصول مذکور، كمك شاياني مينمايد. یکی از ابزارهایی که در کمترین زمان و با هزینه پایین و دقت مناسب میتواند سطح زیر کشت گندم را محاسبه نماید علم و فناوری سنجش‌ازدور‌است. در تحقیق حاضر، با استفاده از کلاسه‌بندی نظارت‌شده تصاویر چند زمانه سنجنده سنتينل-2، سطح زیر کشت گندم و میزان تولید آن در دهستان سجاس رود از توابع شهرستان خدابنده استان زنجان برای سال زراعی 96-97 برآورده شده است. طبقهبندی نظارت‌شده با دقت کلی-80% و ضریب کاپای 8/0 نتایج قابل‌قبول و مناسبی برای شناسایی و تفکیک گندم از سایر محصولات كشاورزي را ارائه میدهد.
واژگان کلیدی: سطح زیر کشت، گندم، سنجش‌ازدور، طبقهبندی، سنتينل 2
مقدمه
گندم يكي از مهم‌ترین محصولات استراتژيك در جهان و بخصوص در ايران است و از زمان‌های قديم به‌عنوان اصلی‌ترین منبع تغذيه اصلي ايرانیان مطرح بوده است. داشتن آمار و اطلاعات مناسب از زمينهاي تحت كشت گندم و برآورد ميزان توليد آن در يك سال زراعي میتواند به برنامه ريزان بخش كشاورزي و صنعت كمك شاياني نمايد تا برنامهريزيهاي لازم را براي توليد، توزیع، ذخيره، واردات يا صادرات آن انجام دهند. با توجه به گستردگي كشت اين محصول در مناطق مختلف كشور و پراكندگي زمينهاي تحت كشت، نياز به ابزاري است كه در كمترين زمان ممكن و با هزينه كمتر و دقت مناسب‌تر بتواند برآوردي از میزان محصول در يك سال زراعي را در اختيار برنامه ريزان قرار دهد. اين ابزار میتواند سنجش‌ازدور باشد زیرا به‌صورت مستمر با دقت مناسب و پوشش وسیع میتواند سطح زمین را پایش کند (عباس زاده تهرانی و همکاران، 1390) درگذشته نيز تحقيقات مرتبط بسياري در اين زمينه انجام‌شده است. بر اساس تحقیق دادوال و همکاران1 سنجش‌ازدور میتواند در شناسایی تغییرات محصولات و همچنین به‌صورت مستقل برای تعیین سطح زیر کشت و میزان محصول و همچنین به‌عنوان داده کمکی برای مشاهدات زمینی برای تعیین سطح زیر کشت مورداستفاده قرار گیرد. بر اساس این تحقیق شناسایی میزان محصول با استفاده از سنجش‌ازدور چهار گام اصلی دارد که عبارتند از: 1- انتخاب منطقه موردمطالعه، 2- تفکیک محصولات کشاورزی از یکدیگر، 3- برآورد سطح زیر کشت و میزان محصول، 4- اعتبارسنجی نتایج (دادوال و همکاران، 2002) .
رحیم زادگان و پور غلام جهت شناسایی سطح زیر کشت محصول زعفران در شهرستان تربت‌حیدریه با استفاده از تصاویر ماهوارهای لندست به مقایسه روشهای طبقهبندی ماشین بردار پشتیبان، شبکه عصبی مصنوعی، حداکثر احتمال، حداکثر فاصله و متوازی‌السطوح پرداختند که نتایج آن نشان داد سطح زیر کشت زعفران در طبقهبندی ماشین بردار پشتیبان با صحت کلی 95 درصد، ضریب کاپای 9/0 و خطای 18 درصد در مقایسه با آمار جهاد کشاورزی به‌عنوان بهترین روش قابل‌اعتماد است (رحیم زادگان و پورغلام، 1395). ژانگ2 و همکاران، برای تعیین سطح زیر کشت چند نوع محصول کشاورزی در منطقه پکن چین (گندم زمستانه، ذرت، سویا، شبدر و باغات میوه) از تصاویر سنجنده TM / ETM+ ماهواره لندست در سال ۲۰۰۳ استفاده کردند. مقایسه نتایج به‌دست‌آمده از دادههای سنجش‌ازدور و دادههای آماری موجود به‌عنوان‌مثال برای محصول گندم دقتی در حدود ۹۶ درصد را در پی داشت ( ژانگ و همکاران، 2008). در پژوهشی برای طبقهبندی سه کلاس گندم، جو بهاره و چغندرقند بر روی تصاویر سنجنده SPOT HR از الگوریتم‌های مختلف آموزش دادهها درروش ماشین بردار پشتیبان استفاده شد. نتایج آن‌ها نشان داد که دقت کلی حاصل از الگوریتم‌های مختلف تقریباً یکسان بوده و همچنین دقت طبقهبندی برای گندم در حدود ۸۰ و برای جو در حدود ۷۶ است (فودی و ماسور، 2004). بوکو3 و همکاران در پژوهشی که در سال ۲۰۰۷ انجام دادند به بررسی روند زمانی دادههای شاخصهای گیاهی برای طبقهبندی مزارع کشاورزی شامل: یونجه، ذرت، ذرت خوشه‌ای، سویا زمین‌های آیش و گندم با استفاده از ۱۳ تصوير MODIS باقدرت تفکیک 250 متر پرداخته و با توجه به روندهای زمانی متفاوت شاخصهای EV1 و NDVI کلاسهای مختلف را از هم تفکیک کردند (بوکو و همکاران، 2007). در پژوهشي ديگر، داتتا4 و همکاران (1998) با به‌کارگیری تصاوير چند زمانه سنجنده LISS III ماهواره IRS، جهت تفكيك محصول گندم ديم و آبي از محصولات ديگر (جو، كلزا و يونجه) ميزان صحت طبقهبندی براي كشت گندم ديم برابر با 92 و براي گندم آبي-94 درصد به‌دست‌آمده است (عباس زاده تهرانی و همکاران، 1390). در تحقيقي مشابه ، ميزان صحت طبقهبندی براي محصول گندم 94 درصد به‌دست‌آمده است (داتتا و همکاران 1998). در سال 2003، لوبل5 و همکاران با ترکیب دانش فنولوژی رشد محصول و تصاویر سری زمانی لندست میزان محصول را برآورد کردند. نتایج نشان میدهند که نتایج پیشبینی محصولات در مقیاس محلی تا 20 درصد متغیر است. همچنین شاخصهای پوشش گیاهی نظیر NDVI برای تعیین میزان محصول مناسب هستند ( لوبل و همکاران، 2003).
همان‌طور که مشاهده میشود روشهای مختلفی برای تعیین سطح زیر کشت گندم ارائه‌شده‌اند اما روشهای مبتنی بر تصاویر ماهوارهای از منطقهای به منطقه دیگر کارایی متفاوت دارند. با توجه به اینکه در منطقه موردمطالعه -دهستان سجاس رود از توابع شهرستان خدابنده استان زنجان - عمده محصول گندم دیم کشت میشود و تاکنون تحقیقی بر پایه تصاویر ماهوارهای و سنجش‌ازدور جهت برآورد سطح زير كشت و توليد محصول در منطقه مذكور انجام‌نشده است، در این تحقیق دو هدف اصلی دنبال شده است: 1- برآورد میزان سطح زیر کشت محصول گندم با استفاده از تصاویر ماهوارهای سنتینل-2 در منطقه دهستان سجاس رود استان زنجان 2-برآورد میزان تولید گندم در یک سال زراعی با استفاده از میانگین عملکرد در واحد سطح در منطقه مذكور. استفاده از تصاویر سری زمانی سنتینل-2 در منطقه موردمطالعه یکی از نوآوریهایی است که برای تفکیک محصولات مورداستفاده قرار خواهد گرفت.
مواد و روشها
منطقه موردمطالعه
منطقه موردمطالعه، دهستان سجاس رود از توابع شهرستان خدابنده استان زنجان است در شمال غرب کشور ایران بین طول‌های جغرافیایی 48 درجه 21 دقیقه 14 ثانیه تا 48 درجه و 49 دقیقه 12 ثانیه شرقی و عرض‌های جغرافیایی 36 درجه و 11 دقیقه-14 ثانیه تا 36 درجه و 25 دقیقه 29 ثانیه شمالی با مساحت تقریبی-63350 هکتار قرار دارد که منطقه قطب کشاورزی استان و بیشتر مزارع آن زیر کشت گندم دیم قرار هستند. شکل (1) منطقه موردمطالعه را نمایش میدهد.
شکل 1. موقعیت جغرافیایی منطقه موردمطالعه
دادهها و اطلاعات مورداستفاده
· تصاویر ماهوارهای: سه تصویر سنتينل 2 در تاریخ 11 خرداد، 19 تیر و 2 شهریور سال 97 از سایت USGS اخذ شد. به دلیل استفاده این تصاویر در تحقیقات پیشین برای تعیین سطح زیر کشت و همچنین توان تفکیک مکانی و طیفی این ماهواره در این پژوهش مورداستفاده قرار میگیرد (سیلورز و همکاران، 2017). این تاریخها بر اساس تقویم زراعی منطقه و برای زمان‌هایی كه بیشترین سبزینگی، رسیدگی کامل و برداشت محصول گندم در منطقه ديده میشود، انتخاب‌شده است. شکل (2) تصویر سنتینل 2 منطقه موردمطالعه را نشان میدهد.
· دادههای کمکی: به‌منظور تعلیم طبقهبندی کنندهها از دادههای آموزشی که از نقشه کاداستر زراعی منطقه که توسط امور اراضی سازمان جهاد کشاورزی استان زنجان برای سال زراعی 96-97 تهیه‌شده، استفاده‌شده است.
· تقویم زراعی منطقه: تقویم زراعی منطقه جهت اطلاع از زمان كشت و برداشت انواع محصولات، از جهاد کشاورزی شهرستان خدابنده اخذشده است که در جدول (1) مشاهده می‌گردد.
جدول 1. تقویم زراعی منطقه سجاس رود (منبع: جهاد کشاورزی شهرستان سجاس رود)
نام محصول | تاریخ شروع کاشت | تاریخ شروع برداشت | متوسط عملکرد در هر هکتار (کیلوگرم) |
گندم دیم | اوایل مهر | اوایل مرداد | 1540 |
گندم آبی | اواسط مهر | اوایل مرداد | 5050 |
لوبیا | اوایل اردیبهشت | اوایل شهریور | 3250 |
یونجه | به دلیل چندساله بودن و چند چین برداشت در یک سال تاریخ کاشت و برداشت مشخص نشد | ||
الف: تصویر بارنگ کاذب 11 خرداد ب: تصویر بارنگ کاذب 19 تیر
ج: تصویر بارنگ کاذب 2 شهریور
شکل-2. تصاویر سنتینل-2 اخذشده از سایت USGS در 3 زمان مختلف برای منطقه موردمطالعه
روش تحقیق
در اين تحقيق، مطابق شکل (3) از سه تصویر برای تعیین سطح زیر کشت گندم استفاده‌شده است که با استفاده از تقویم زراعی و با نظر کارشناسان بخش زراعت زمان اخذ تصاویر مشخص و از سایت USGS دریافت گردید. سپس تصحیح اتمسفری و پیش‌پردازش بر روی تصاویر انجام‌شده و تصاویر اصلاح‌شده با به‌کارگیری دادههای تعلیمی وارد روشهای طبقهبندی بیشترین احتمال و ماشین بردار پشتیبان شدند. درنهایت با استفاده از تصویر طبقه‌بندی‌شده با بالاترین صحت، میزان محصول و سطح زیر کشت گندم استخراج شد.
شکل 3. روش پیشنهادی جهت استخراج سطح زیر کشت و میزان محصول از تصاویر ماهوارهای
پیش‌پردازش
در اولین مرحله پیش‌پردازش، باندهای طیفی 3، 4، 5 و 8 تصاویر سه زمان استخراج‌شده و در یک‌لایه قرار داده میشوند تا برای شناسایی گندم از مجموع 12 باند در مراحل بعدی استفاده شود. سپس تصحیح تبدیل درجه خاکستری به بازتابندگی سطح با به‌کارگیری رابطه (1) انجام گردیده است.
رابطه 1 |
|
رابطه 2 |
|
رابطه 3 |
| ||
رابطه 4 |
|
| تعداد کل نمونه |
| صحت کلی |
| ضریب کاپا |
| تعداد نمونه‌هایی که در واقعیت زمینی کلاس |
| تعداد نمونههای اختصاص داده‌شده به کلاس |
| تعداد نمونههای واقعیت زمینی در کلاس |
| تعداد کلاسها |
| شماره کلاس |
