• Home
  • Estimation of wheat area cultivation using Sentinel 2 satellite images (Case study: Sojasroud region, Khodabandeh city, Zanjan province)

Share To

Article Url


Manuscript ID : 13990207236795 Visit : 6984 Page: 77 - 90

10.29252/.5.7.77

20.1001.1.26763060.1399.5.7.7.5

Article Type: Original Research

Estimation of wheat area cultivation using Sentinel 2 satellite images (Case study: Sojasroud region, Khodabandeh city, Zanjan province)

Subject Areas : Remote sensing and biogeography

Seyed Ahmad Seyed Ahmad 1 , Nadia Abbaszadeh Tehrani 2 * , Milad Janalipour 3

1 -
2 -
3 -

Received: 2020-04-08 Accepted : 2020-06-01 Published : 2020-07-08

Keywords: Area under cultivation, Wheat, Remote Sensing, Classification, Sentinel-2,

Abstract :

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.

References:

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, -


Full-Text:


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.

Related imageimg0 

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

 

75 

الف: تصویر بارنگ کاذب 11 خرداد                                 ب: تصویر بارنگ کاذب 19 تیر

8 

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.

 

img0 

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.

 

برای تصحيح اتمسفری تصاویر ماهواره­ای از الگوریتم QUAC استفاده‌شده است. این الگوریتم از باندهای مرئی و مادون‌قرمز نزدیک برای تصحیح اتمسفری استفاده می‌کند الگوریتم QUAC یک تقریب از تصحیح اتمسفری FLAASH است که با دقت مناسب بازتابندگی سطح اشیاء را در اختیار قرار می­دهد (برنستین و همکاران، 2012).

 تعیین میزان سطح زیر کشت محصول گندم

 جهت تفکیک گندم از سایر محصولات روش‌های مختلفی وجود دارد که در این تحقیق از روش کلاسه‌بندی تصاویر به‌صورت نظارت‌شده با استفاده از داده‌های زمینی (نقشه کاداستر زراعی) انجام‌گرفته است.

طبقه‌بندی بیشترین احتمال

یکی از روش‌ها استخراج اطلاعات از تصاویر ماهواره‌ای روش طبقه‌بندی است که خود دسته­های مختلفی دارد. یکی از این روش­های روش طبقه‌بندی "حداکثر احتمال" است که در آن فرض می­شود توزیع پیکسل­ها در هر کلاس نرمال است. بر اساس رابطه (2)، پیکسلی به کلاس i اختصاص داده می­شود اگر احتمال مؤخر آن نسبت به‌تمامی کلاس­های دیگر بیشتر باشد. به‌عبارت‌دیگر، پیکسل به کلاسی اختصاص می­یابد که بیشترین شباهت را به آن، نسبت به سایر کلاس­ها داشته باشد (ایزمالا6، 2012).

رابطه 1

 

 

طبقه‌بندی ماشین بردار پشتیبان

روش طبقه‌بندی ماشین بردار پشتیبان یک روش آماری غیر پارامتریک نظارت‌شده است و با این فرض عمل می‌کند که هیچ‌گونه اطلاعاتی از چگونگی توزیع مجموعه داده‌ها وجود ندارد (منترو7، 2005) فرض کنیم مجموعه پیکسل موجود هستند و هدف طبقه­بندی هر یک از آن‌ها به دو کلاس  است.  یک برداری p بعدی از مقادیر حقیقی ویژگی­های مختلف سنجش‌ازدور مربوط به هر پیکسل است. روش­های طبقه­بندی به دنبال برازش یک منحنی مناسب جهت تفکیک آن دو کلاس از یکدیگر هستند. امکان برازش بی‌نهایت منحنی به داده­ها وجود دارد. روش طبقه‌بندی ماشین بردار پشتیبان به شکلی ابر صفحه (منحنی) را به نقاط برازش می­دهد که بر اساس شکل(4) بیشترین تفکیک‌پذیری میان دو کلاس ایجاد شود. این برازش در یک مرحله بهینه‌سازی با استفاده از نمونه­های مرزی انجام می­شود (مونتراکیس8 و همکاران، 2011).

D:\02.Papers\02.Mosavi_paper1_agriculture\fig\Slide1.TIF 

شکل 4. برازش ابر صفحه بهینه با استفاده از روش ماشین بردار پشتیبان به نمونه‌های دو کلاس ( مونتراکیس9 و همکاران، 2011)

به‌منظور تفکیک کلاس­ها از یکدیگر استفاده از ابر صفحه‌های خطی و غیرخطی درروش ماشین بردار پشتیبان امکان­پذیر است. استفاده از نوع خطی و غیرخطی در هر پروژه­ای وابسته به پیچیدگی فضای ویژگی در تفکیک کلاس­ها از یکدیگر است. کرنل­های خطی صفحه­ای و کرنل­های غیرخطی نظیر گوسین، سینوسی و کسینوسی و RBF ازجمله مورد استفاده‌شده کرنل­ها در تحقیقات پیشین بوده­اند (سوای کینز10 و واندوال11، 1999).

اعتبارسنجی

برای اعتبارسنجی نتایج به‌دست‌آمده از روش­های طبقه­بندی بیشترین احتمال و ماشین بردار پشتیبان در شناسایی گندم، تعدادی نمونه واقعيت زمینی که از پلی گون نقشه کاداستر زراعی منطقه موردمطالعه تهیه شد استخراج شدند. سپس با استفاده از آماره­های کاپا و صحت کلی مطابق رابطه‌های (3 و 4)، اعتبار نتایج ارزیابی شد. مقادیر بالا و نزدیک به عدد 1 آماره­ها، نشان‌دهنده نتایج بااعتبار بالا است (پانشوز12 و میل یونز13، 2011).

رابطه 2

 

جائیکه:

رابطه 3

 

 

رابطه 4

 

 

به‌منظور اعتبارسنجی سطح زیر کشت میزان محصول گندم از تصاویر ماهواره‌ای، آمارها و اطلاعات به‌دست‌آمده از جهاد کشاورزی استفاده‌شده است.

برآورد میزان تولید گندم در یک سال زراعی

برای برآورد میزان عملکرد گندم نیز روش‌های مختلفی وجود دارد در این تحقیق میزان تولید گندم در یک سال از ضرب متوسط عملکرد یک هکتار در سطح کل زیر کشت به‌دست‌آمده است. لازم به ذکر است، سطح زیر کشت از روش­های طبقه­بندی قابل‌استخراج است.

بحث و نتایج

پیش‌پردازش تصاویر ماهواره‌ای بر اساس روش تحقیق در نرم‌افزار ENVI انجام شد. برای پیاده‌سازی روش­های طبقه‌بندی ماشین بردار پشتیبان و بیشترین احتمال نیاز به نمونه‌های آموزشی است. علاوه بر این برای اعتبار سنجی نتایج نیاز به داده‌های ارزیابی است. بدین منظور، در این تحقیق از شيپ فايل (فایل برداری) کاداستر زراعی منطقه که در سال زراعی 96-97 تهیه‌شده و برای جداسازی نمونه تعلیمی و ارزیابی از نرم‌افزار ARC GIS 10.3 استفاده‌شده است. بدین منظور مراحل ذیل پیاده‌سازی شدند.

1-       ابتدا در نرم‌افزار ARC GIS داده­های سه کلاس از لایه کاداستر زراعی شامل گندم، زراعت آبی و آیش جداسازی شدند.

2-       سپس این لایه روی تصویر پیش‌پردازش شده در مرحله قبل قرار گرفت و به‌صورت بصری وضعیت آن‌ها ازلحاظ کشت شدن یا آیش بررسی قرار گرفت و پلی گون‌های مشکوک حذف شدند.

3-       تعداد 130 پلی گون گندم، 106 پلی گون آیش و 85 پلی گون زراعت آبی انتخاب شدند به‌طوری‌که در کل منطقه این پلی گون‌ها پراکنده باشند.

4-       از 130 نمونه گندم انتخاب‌شده در مرحله قبل، 77 پلی گون به‌عنوان نمونه‌های آموزشی 53 پلی گون به‌عنوان نمونه­های اعتبار سنجی طبقه‌بندی انتخاب شد.

5-       از 106 نمونه آیش انتخاب‌شده در مرحله قبل، 64 پلی گون به‌عنوان نمونه‌های آموزشی 42 پلی گون به‌عنوان نمونه­های اعتبار سنجی طبقه‌بندی انتخاب شد.

6-       از 85 نمونه زراعت آبی انتخاب‌شده در مرحله قبل، 57 پلی گون به‌عنوان نمونه‌های آموزشی و-28 پلی گون به‌عنوان نمونه اعتبار سنجی طبقه‌بندی انتخاب شد.

به‌منظور ارزیابی اثر تعداد نمونه­های تعلیمی بر نتایج طبقه‌بندی کننده‌ها از دو سری داده تعلیمی استفاده شد. نکته قابل‌توجه پس از اجرای برنامه، وابستگی زمان اجرا برنامه به تعداد نمونه­های تعلیمی است. روش ماشین بردار پشتیبان با 10 پلی گون تعلیمی در مدت یک ساعت نیم اجرا می­شود. درحالی‌که اجرای این روش با 65 نمونه چهار برابر قبل زمان نياز داشت. برخلاف روش ماشین بردار پشتیبان، روش حداکثر احتمال در 5 تا 10 دقیقه اجرا می­شود که نشان‌دهنده سرعت‌بالای این روش است. علاوه براین سرعت اجرای روش ماشین بردار پشتیبان به دلیل برازش یک ابر صفحه بهینه به نمونه­های مرزی کلاس­ها با افزایش تعداد نمونه­های تعلیمی افزایش می­یابد.

نخستین بار روش­های طبقه‌بندی با 10 داده آموزشی برای گندم و 9 داده آموزشی برای آیش و 10 داده آموزشی برای زراعت آبی اجرا شدند. نتایج برای روش ماشین بردار پشتیبان با صحت کلی 5/84% با ضریب کاپای 73/0 و برای روش حداکثر احتمال صحت کلی 7/85% با ضریب کاپای 75/0 به دست آمدند.

در آزمایش دوم، روش­های طبقه­بندی با 77 داده آموزشی برای گندم و 64 داده آموزشی برای آیش و 57 داده آموزشی برای زراعت آبی کلاسه‌بندی پیاده‌سازی شد. دقت کلی برای روش ماشین بردار پشتیبان برابر-6/88% و ضریب کاپای آن 80/0 و برای روش حداکثر احتمال دقت کلی 54/88% با کاپای 79/0 به دست آمد. همان‌طور که مشاهده می­شود افزایش تعداد نمونه­های تعلیمی سبب افزایش 3 تا 4 درصدی صحت نتایج طبقه‌بندی کننده­ها می‌شود. نتیجه طبقه‌بندی حداکثر احتمال و ماشین بردار پشتیبان در منطقه موردمطالعه در شکل‌های (5 و 6) نمایش داده‌شده‌اند.

img0 

شکل 5. نقشه تفکیکی محصولات زراعی توسط روش بیشترین احتمال (آيش= خاك لخت، گندم= گندم ديم، زراعت آبي= لوبیا)

D:\25.Papers\02.Mosavi_paper1\archive(2)\svm1.jpg 

شکل 6. نقشه تفکیکی محصولات زراعی توسط روش ماشین بردار پشتیبان (آيش= خاك لخت، گندم= گندم، ديم زراعت آبي= لوبیا)

برای اعتبارسنجی نتایج دوطبقه بندی کننده ماشین بردار پشتیبان و حداکثر احتمال از نمونه­های ارزیابی استفاده می­شود. برای ارزیابی نتایج، 53 پلی گون گندم دیم، 42 پلی گون آیش و 28 پلی گون زراعت آبی انتخاب گردید. ماتریس خطا هریک از طبقه‌بندی کننده‌ها در جداول (2 و 3) نمایش داده‌شده‌اند. مطابق نتایج صحت تفکیک کلاس­ها از یکدیگر با ماشین بردار پشتیبان حدود 88 درصد است که عددی قابل‌قبول و مناسب ارزیابی می‌شود. بالاترین دقت کاربر و تولیدکننده مربوط به کلاس گندم دیم است که حدود 93% است. این موضوع نشان می­دهد که گندم دیم از سایر کلاس­ها تمایز بیشتری دارد. این در حالی است که بیشترین خطا در کلاس گندم آبی مشاهده می­شود. دقت کاربر و تولیدکننده کلاس زراعت آبی به ترتیب 71% و 78% محاسبه شد.

جدول2. ماتریس خطای روش طبقه‌بندی ماشین بردار پشتیبان

 

تعداد کل نمونه

 

صحت کلی

 

ضریب کاپا

 

تعداد نمونه‌هایی که در واقعیت زمینی کلاس  بوده و در مقادیر اختصاص‌یافته نیز همان کلاس بوده‌اند

 

تعداد نمونه­های اختصاص داده‌شده به کلاس

 

تعداد نمونه­های واقعیت زمینی در کلاس

 

تعداد کلاس­ها

 

شماره کلاس

کلاس

آیش

گندم دیم

زراعت آبی

جمع

دقت کاربر

آیش (خاك لخت)

20492

1148

1497

23137

88%

گندم ديم

1596

43074

1399

46069

93%

زراعت آبی

1486

2556

9986

14028

71%

جمع

23574

46778

12882

83234

 

دقت کلی

88.60%

ضریب کاپا

80/0

دقت تولیدکننده

87%

92%

78%

 

 

همان‌طور که در جدول (2) مشاهده می‌گردد تعداد پیکسل‌های گندم که به‌درستی توسط طبقه‌بندی انتخاب‌شده‌اند 43074 پیکسل از کل پیکسل‌های گندم (46069) است که با دقت 93% انتخاب گردیده است؛ و تعداد 1596پیکسل مربوط به پیکسل‌های گندم به نادرستی به آیش و تعداد 1399پیکسل از آن به زراعت آبی اختصاص‌یافته است. همچنین تعداد 1148 پیکسل از کلاس آیش به کلاس گندم اختصاص پیداکرده است درصورتی‌که در واقعیت گندم نبوده‌اند و 2556 پیکسل از کلاس زراعت آبی به کلاس گندم اختصاص‌یافته است.

جدول 3. ماتریس خطای روش طبقه‌بندی ماکزیمم احتمال

کلاس

آیش

گندم

زراعت آبی

جمع

دقت کاربر

آیش (خاك لخت)

20246

1457

1654

23357

87%

گندم ديم

1594

43423

1558

46575

93%

زراعت آبی

1734

1898

9670

13302

73%

جمع

23574

46778

12882

 

دقت کلی

88.54%

ضریب کاپا

0.79

دقت تولیدکننده

86%

93%

75%

 

 

همان‌طوری که در جدول (3) مشاهده می‌گردد تعداد پیکسل‌های گندم که به‌درستی توسط طبقه‌بندی انتخاب‌شده‌اند 43423 پیکسل از کل پیکسل‌های گندم (46575) است که با دقت 93% انتخاب گردیده است؛ و تعداد 1594پیکسل مربوط به پیکسل‌های گندم به نادرستی به آیش و تعداد 1558 پیکسل از آن به زراعت آبی اختصاص‌یافته است. همچنین تعداد 1457پیکسل از کلاس آیش به کلاس گندم اختصاص پیداکرده است درصورتی‌که در واقعیت گندم نبوده‌اند و 1898پیکسل از کلاس زراعت آبی به کلاس گندم اختصاص‌یافته است.

پس از به دست آوردن نتایج طبقه‌بندی کننده­ها، خروجی­ها به‌صورت برداری درآمده و ذخیره شدند. شکل (7) پلی گون‌های گندم استخراج‌شده از روش پیشنهادی را نمایش می­دهد. بر اساس نتایج به‌دست‌آمده، سطح زیر کشت گندم دیم برابر 22685 هکتار برآورد شد.

D:\25.Papers\02.Mosavi_paper1\archive(2)\نقشه گندم.jpg 

شکل 7. نقشه گندم دیم به‌دست‌آمده از روش پیشنهادی

 

با ضرب "متوسط عملکرد محصول" که داده‌های آن از صندوق بیمه کشاورزی استان اخذشده و برابر 54/1 تن در هكتار است، در مساحت به‌دست‌آمده، عملکرد آن برای یک سال زراعی محاسبه‌شده است که نتایج آن به‌صورت زیر است.

34935 =54/1 × 22685 = میزان تولید گندم در سال زراعی 97-96 تن

نتایج سطح زیر کشت به‌دست‌آمده از تحقيق با میزان سطح زیر کشت که در سالنامه سازمان جهاد کشاورزی استان برای سال زراعی 96-97 به ثبت رسیده است مقایسه شد که نتایج 18% اختلاف را نشان می‌دهد که می‌تواند ناشی از دو عامل باشد. اولاً میزان سطح زیر کشت در سالنامه‌های جهاد کشاورزی بر اساس خود اظهاری خود کشاورزان تهیه‌شده است (27570 هکتار) که معمولاً به خاطر گرفتن کود شیمیایی و دیگر نهاده‌های کشاورزی سطح زیر کشت را بالاتر از ميزان واقعي اعلام می‌نمایند. ثانیاً به دلیل خطای موجود در طبقه‌بندی که 12% پیکسل‌ها را نتوانسته به‌درستی طبقه‌بندی نماید. با توجه به اینکه در حال حاضر هیچ منبعی جهت رد يا تائید خطا وجود ندارد، این روش می‌تواند بهترین روش حساب شود. برای مقایسه میزان تولید، خریدهای گندم سازمان تعاونی روستایی در سال زراعی 96-97 مأخذ قرار گرفت که میزان 17% انحراف دارد و این دو دلیل می‌تواند داشته باشد اولاً بعضی از کشاورزان ممکن است برای مصرف خود مقداری از محصول را نگه‌دارند. ثانیاً برخی از کشاورزان محصول خود را به سازمان تعاون و روستایی نمي­فروشند و به خریداران خصوصی که در خریدوفروش گندم‌کار می‌کنند عرضه مي­كنند.

نتیجه‌گیری

در این مطالعه برآورد مساحت اراضی زیر کشت محصول گندم دیم در دهستان سجاس رود شهرستان خدابنده زنجان با بهره‌گیری از سنجش‌ازدور و تصاویر سنجنده سنتینل 2 صورت گرفته و نتایج آن با نقشه کاداستر زراعی منطقه که در سال زراعی 97-96 تهیه‌شده است مورد مقایسه قرارگرفته است. نتایج نشان می­دهند روش ماشین بردار پشتیبان صحت بالاتری در شناسایی سطح زیر کشت نسبت به روش بیشترین احتمال دارد. میزان سطح زیر کشت به‌دست‌آمده از تصاویر طبقه‌بندی‌شده 22685 هکتار است که نسبت به میزان آمار جهاد کشاورزی 18% کمتر است. نتایج نشان می­دهد با دقت-80% مساحت­های برآورد شده صحت دارد. میزان تولید گندم محاسبه‌شده از تصاویر با میزان واقعی تولید که آمار جهاد کشاورزی به‌دست‌آمده است 17% انحراف دارد. پیشنهاد می‌شود برای یک سال زراعی از روش شناسایی تغییرات در دو زمان اوج سبزینگی و زمان شروع برداشت گندم با تعیین شاخص‌هایی گیاهی این کار را انجام و با این روش طبقه‌بندی مقایسه شود. همچنين بهتر است با استفاده از شاخص‌های گیاهی موجود و ایجاد رابطه بین آن‌ها و عملکرد گندم و روش رگرسیون خطی، میزان تأثیر هرکدام از این شاخص‌ها بررسی و تابعي برای پیش‌بینی عملکرد گندم مشخص و این عملکرد با عملکرد واقعی مقایسه گردد.

منابع و مراجع

1.       رحیم زادگان، مجید؛ پور غلام، مصطفی (1395). تعيين سطح زير کشت گياه زعفران با استفاده از تصاوير لندست (مطالعه موردي: شهرستان تربت‌حیدریه). کاربرد سنجش‌ازدور و GIS در علوم منابع طبيعی، دوره 7، شماره 3، صفحه 97 تا 115.

2.       عباس زاده تهراني، نادیا؛ بهشتي فر، محمد رضا؛ مربي، محمد (1390). برآورد سطح زير کشت محصول در استان قزوين با به‌کارگیری  تصاوير چند زمانه IRS-LISS III. پژوهش‌های محیط‌زیست، سال 2، شماره3. صفحه 87 تا 96.

3.       Asmala, A. (2012). Analysis of maximum likelihood classification on multispectral data. Applied Mathematical Sciences, 6(129-132), 6425-6436.

4.       Bernstein, L. S., Jin, X., Gregor, B., & Adler-Golden, S. M. (2012). Quick Atmospheric Correction Code: Algorithm Description and Recent Upgrades. Optical Engineering, 51( 11), 111719.

5.       Bocco, M., Ovando, G., Sayago, S., & Willington, E. (2007). Neural network models for land cover classification from satellite images. Agriculture Tecnica, 67(4), 414-421.

6.       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.

7.       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(5), 405.

8.       Dadhwal, V., Singh, R., Dutta, S., & Parihar, J. (2002). Remote sensing based crop inventory: A review of Indian experience. Tropical Ecology, 43(1), 107-122.

9.       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(1-2), 7-14.

10.       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(6), 1335-1343.

11.       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(2), 205-220.

12.       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(3), 559-570.

13.       Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259.

14.       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(15), 4407-4429.

15.       Suykens, J. A., & Vandewalle, J. (1999). Chaos control using least‐squares support vector machines. International journal of circuit theory and applications, 27(6), 605-615.

16.       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(4), 476-484.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Estimation of wheat area cultivation using Sentinel-2 satellite images

(Case study: Sojasroud ​​region, Khodabandeh city, Zanjan province)

 

 

Abstract

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 multi-temporal images 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.

 

Keywords: Area under cultivation, Wheat, Remote Sensing, Classification, Sentinel-2

 

16

 

[1] .  Dadhwal

[2]  . Zhang

[3]  . Bocco

[4]  . Dutta

[5]  . Lobell

[6] .  Asmala

[7]  . Mantero

[8]  . Mountrakis

[9]  . Mountrakis

[10] .  Suykens

[11]  . Vandewalle

[12]  . Pontius

[13]  . Millones


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]