بهبود دقت تفکیک سطوح زیرکشت محصولات کشاورزی با استفاده از ادغام تصاویر چند زمانه راداری و اپتیکی سنتینل و الگوریتم‌های یادگیری ماشین

مصطفی کابلی زاده ¹ ( گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز )
کاظم رنگزن ² ( گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز )
خلیل حبشی ³ ( دانش آموخته کارشناسی ارشد بیابان زدایی، دانشکده منابع طبیعی، دانشگاه صنعتی اصهان )

تاریخ ارسال : 1401/08/02 تاریخ تایید : 1401/09/14

کلید واژه: سنجش از دور, ادغام تصاویر, استان خوزستان, طبقه‌بندی محصولات زراعی, تصاویر راداری,

چکیده مقاله :

برای رسیدن به امنیت آبی و غذایی پایش به‌هنگام، دقیق و با قابلیت تکرار پذیری سطوح زیر کشت لازم و ضروری است. در این راستا تحقیق حاضر با هدف ارزیابی قابلیت تلفیق تصاویر سنتینل1 و سنتینل2 جهت تفکیک سطوح زیر کشت گندم، کلزا، نخلستان‌ها و اراضی کشت تابستانه در منطقه شمال شرق اهواز انجام شد. برای رسیدن به هدف تحقیق، براساس داده‌های در دسترس سه گروه ترکیبات سری زمانی ایجاد شد. گروه اول شامل ترکیب سری زمانی سنتینل1و2 به همراه شاخص NDVI برای کل دوره مورد بررسی، گروه دوم ترکیبات سری زمانی سنتینل1 و2 براساس دوره اوج سبزینگی و گروه سوم ترکیبات از ترکیب تک تصاویر سنتینل1 و 2 در دوره اوج سبزینگی ایجاد شدند. سپس با استفاده از الگوریتم‌های یادگیری ماشین حداکثر احتمال و ماشین بردار پشتیبان اقدام به طبقه‌بندی تصاویر شد و نقشه‌های موضوعی سطوح زیر کشت به این ترتیب تهیه شد. درنهایت صحت نتایج بدست آمده با استفاده از شاخص‌های صحت کلی و ضریب کاپا ارزیابی شد. براساس نتایج بدست آمده مشخص شد که ترکیب سری زمانی تصاویر سنتینل1 و2 به‌همراه شاخصNDVI برای کل دوره مورد بررسی (ترکیب شماره 3) به روش ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت منطقه مورد مطالعه دارای بالاترین دقت کلی و ضریب کاپا بوده که بترتیب 22/91 درصد و 89/0 می‌باشد. همچنین نتایج بدست آمده بیان‌گر این واقعیت بود که الگوریتم ماشین بردار پشتیبان برای ترکیبات سری زمانی بالاترین دقت کلی و ضریب کاپا را دارد و برای روش‌های تک تصویر الگوریتم حداکثر احتمال دارای بالاترین دقت کلی و ضریب کاپا می‌باشد. براساس یافته‌ها نتیجه‌گیری می‌شود که ترکیبات سری زمانی تصاویر سنتینل2 و الگویتم ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت دارای صحت بالایی نسبت به روش تک تصویر هستند و تلفیق قطبش VH سنتینل1 به سری زمانی سنتینل2 سبب افزایش صحت به میزان 5 درصد می‌شود.

چکیده انگلیسی :

In order to achieve food security, timely, accurate and repeatable monitoring the cultivated areas is necessary. In this regard, the present research aimed to improving accuracy of separation the crops cultivated area in the northeastern region of Ahvaz. To achieve the research goal, based on the available data, three groups of time series combination were created. The first group includes the combination of Sentinel 1 and 2 time series along with the NDVI index for the entire period, the second group of Sentinel 1 and 2 time series combinations based on the peak greenness and the third group were single images of Sentinel 1 and 2 in the peak greenness period. Then, images were classified using ML and SVM algorithms. Finally, crops cultivated area maps were prepared. the accuracy of the obtained results was evaluated using overal accuracy indices and Kappa coefficient. Based on the obtained results, it was found that the combination of the time series of Sentinel 1 and 2 images along with the NDVI index for the entire period (Combination No. 3) using the SVM method to extract the cultivated areas of the study area has the highest overall accuracy and Kappa coefficient, which is 91.22 and 0.89 percent respectively. Also, the obtained results indicated that the SVM algorithm has the highest overall accuracy and kappa coefficient for time series combinations, and for single image methods, the ML algorithm has the highest overall accuracy and kappa coefficient. Based on the findings, it is concluded that the combination of the time series of Sentinel 2 images and the SVM template for extracting cultivated areas have high accuracy compared to the single image method, and combining the VH polarization of Sentinel 1 to the time series of Sentinel 2 improved the accuracy about 5%.

متن کامل:



بهبود دقت تفکیک سطوح زیرکشت محصولات کشاورزی با استفاده از ادغام تصاویر چند زمانه راداری و اپتیکی سنتینل و الگوریتم‌های یادگیری ماشین

 

چکیده

برای رسیدن به امنیت آبی و غذایی پایش به‌هنگام، دقیق و با قابلیت تکرار پذیری سطوح زیر کشت لازم و ضروری است. در این راستا تحقیق حاضر با هدف ارزیابی قابلیت تلفیق تصاویر سنتینل1 و سنتینل2 جهت تفکیک سطوح زیر کشت گندم، کلزا، نخلستان‌ها و اراضی کشت تابستانه در منطقه شمال شرق اهواز انجام شد. برای رسیدن به هدف تحقیق، براساس داده‌های در دسترس سه گروه ترکیبات سری زمانی ایجاد شد. گروه اول شامل ترکیب سری زمانی سنتینل1و2 به همراه شاخص NDVI برای کل دوره مورد بررسی، گروه دوم ترکیبات سری زمانی سنتینل1 و2 براساس دوره اوج سبزینگی و گروه سوم ترکیبات از ترکیب تک تصاویر سنتینل1 و 2 در دوره اوج سبزینگی ایجاد شدند. سپس با استفاده از الگوریتم‌های یادگیری ماشین حداکثر احتمال و ماشین بردار پشتیبان اقدام به طبقه‌بندی تصاویر شد و نقشه‌های موضوعی سطوح زیر کشت به این ترتیب تهیه شد. درنهایت صحت نتایج بدست آمده با استفاده از شاخص‌های صحت کلی و ضریب کاپا ارزیابی شد. براساس نتایج بدست آمده مشخص شد که ترکیب سری زمانی تصاویر سنتینل1 و2 به‌همراه شاخصNDVI  برای کل دوره مورد بررسی (ترکیب شماره 3) به روش ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت منطقه مورد مطالعه دارای بالاترین دقت کلی و ضریب کاپا بوده که بترتیب 22/91 درصد و 89/0 می‌باشد. همچنین نتایج بدست آمده بیان‌گر این واقعیت بود که الگوریتم ماشین بردار پشتیبان برای ترکیبات سری زمانی بالاترین دقت کلی و ضریب کاپا را دارد و برای روش‌های تک تصویر الگوریتم حداکثر احتمال دارای بالاترین دقت کلی و ضریب کاپا می‌باشد. براساس یافته‌ها نتیجه‌گیری می‌شود که ترکیبات سری زمانی تصاویر سنتینل2 و الگویتم ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت دارای صحت بالایی نسبت به روش تک تصویر هستند و تلفیق قطبش VH سنتینل1 به سری زمانی سنتینل2 سبب افزایش صحت به میزان 5 درصد می‌شود.

 

واژه‌های کلیدی:  سنجش از دور، ادغام تصاویر، طبقه‌بندی  محصولات زراعی، تصاویر راداری، استان خوزستان

 

مقدمه

با توجه به افزایش جمعیت میزان تقاضای مواد غذایی همواره در حال افزایش است. در این میان کشاورزی نقش کلیدی در توانمندسازی دولت‌ها برای رسیدن به خودکفایی غذایی و حفظ آن دارد (1). افزایش جمعیت و بلایای طبیعی مانند خشکسالی، سیل و غیره، بر مناطق کشاورزی تأثیر گذاشته و به طور مداوم باعث تغییر الگوی کشت و آمار مربوط به آن شده است (3). بنابراین به منظور برنامه‌ریزی دقیق در زمینه میزان واردات و صادرات محصولات کشاورزی و بروز رسانی اطلاعات، نیاز به پایش و تولید نقشه‌های دقیق تغییرات سطح زیر کشت محصولات کشاورزی با کمترین میزان عملیات میدانی است؛ استفاده از فن‌آوری‌های جدید و تصاویر ماهواره‌ای یک روش برای تخمین سطح زیرکشت اراضی کشاورزی محسوب می‌شود که در سال‌های اخیر اهمیت زیادی پیدا نموده است (2) . با استفاده از سنجش از دور می‌توان شــاخص‌هــاي گیــاهی را که بــراي بررســی یــک اکوسیســتم، بســیار مهــم هســتند، تهیه کرد. یکــی از کاربردهــاي مهم شــاخص هــاي گیــاهی در مطالعــات مربــوط بــه بخــش کشــاورزي ماننــد تعیــین الگــوي کشــت و ســلامت محصول است . هنگامی که مراکز مدیریتی نیازمند اطلاعات پایش محصولات بصورت پیوسته و در سطح وسیع باشند، سنجش از دور می‌تواند موثر واقع شود. فناوری سنجش از دور در بررسی تغییرات کاربری اراضی و پوشش زمین به خوبی کارایی خود را نشان داده است. در این رابطه امیری و طباطبایی (2) تحقیقی به منظور بررسی تاثیر تغییر کاربری اراضی و پوشش زمین بر دمای سطح زمین در منطقه ساحلی بوشهر انجام دادند. این مطالعه به تحلیل رابطه مکانی و زمانی LST و NDVI در اراضی ساحلی بوشهر با استفاده از 3 مجموعه داده لندست برای سال‌های 1990، 2005 و 2020 پرداخت. به طور کلی، نتایج نشان داد که LST در سال­های مطالعه با NDVI رابطه معکوس دارد. جهت تفکیک سطوح زیر کشت محققان از الگوریتم‌های طبقه‌بندی و شاخص‌های پوشش گیاهی مختلفی استفاده می‌کنند. به عنوان مثال ویرنودکار و همکاران  تحقیقی به منظور ارزیابی عملکرد طبقه‌بندی کننده‌های جنگل تصادفی (RF) Random Forest و ماشین بردار پشتیبان  Support Vector Machine (SVM) جهت تفکیک سطح زیر کشت نیشکر از سایر پوشش های زمین با استفاده از تصاویر سری زمانی سنتینل2 انجام دادند. در تحقیقی دیگر سری‌زمانی شاخص‌های گیاهی نیز جهت طبقه بندی محصولات کشاورزی استفاده شده‌اند؛ امرالله و آلتون (1) جهت طبقه بندی محصولات کشاورزی از سری زمانی شاخص Normalized Difference Vegetation Index (NDVI) مستخرج از تصاویر لندست8 و الگوریتم SVM استفاده کردند.

تصاویر ماهواره‌ای سنتنیل1 و سنتینل2 دارای قدرت تفکیک مکانی (10-20 متر) و قدرت تفکیک زمانی (5-12 روز) می‌باشند و برای مطالعاتی که به قدرت تفکیک مکانی بالا نیاز باشد مورد استفاده قرار می‌گیرند. در این راستا شرسذا و همکاران (9) در تحقیقی با هدف توسعه یک روش قابل اعتماد به منظور پایش سطوح غیر قابل نفوذ در مقیاس شهری از تصاویر سنتینل1 و سنتینل2 استفاده نمودند. نتایج ارزیابی دقت نشان داد که روش تلفیقی و طبقه بندی به روش RF توانسته است دقت کلی را به مقدار 7/2 درصد و ضریب کاپا را به مقدار 5 درصد بهبود ببخشد. تصاویر سری زمانی سنتینل1 جهت تفکیک سطوح زیر کشت نیز استفاده شده‌اند، استفاده از این تصاویر در مناطقی که در اکثر مواقع از سال پوشیده از ابر هستند رایج است. آریاس و همکاران (2) در تحقیقی از سری‌های زمانی سنتینتل1 با هدف بررسی عملکرد روش‌ طبقه بندی نظارت شده جهت طبقه‌بندی محصولات استفاده کردند. براساس نتایج بدست آمده دقت طبقه‌بندی بسته به ویژگی‌های متغیرهای ورودی است و بالاترین دقت کلی را برای وقتی که سه نوع ویژگی (VV، VH و VH/VV) استفاده شوند مقداری در حدود 70 درصد گزارش دادند. برخی دیگر از محققان تصاویر سری زمانی سنتنینل1 و سنتینل2 را جهت بهبود دقت تفکیک سطوح زیر کشت استفاده کرده‌اند. به عنوان مثال تالما و هایلو  جهت پایش سطح زیر کشت برنج از سری زمانی بازپراکنش برنج در پلاریزاسیون‌های VV و VH و طبقه‌بندی به روش(CART)  Classification And Regression Trees  استفاده کردند. در ادامه نقشه‌های حاصل از تصاویر سنتینل1 با تصاویر سنتینل2 تلفیق شده و از شاخص‌های NDVI و MNDWI جهت بهبود دقت طبقه‌بندی بهره گرفتند. یافته‌ها دقت ارزیابی شده برای تصاویر رادار را 71/0 نشان داد و تلفیق شاخص‌های NDVI و Modified Normalized Difference Water Index (MNDWI) با تصاویر راداری دقت را به میزان 08/0 افزایش داده است. در تحقیقی مرسیر و همکاران  جهت پیش بینی مراحل فنولوژی گندم و کلزا، از سری زمانی تصاویر سنتینل1 و 2 استفاده کردند. نتایج نشان داد که طبقه‌بندی حاصل از تلفیق دو سنجنده سنتینل1 و 2 دارای صحت بهتری نسبت به نتایج بدست آمده از طبقه‌بندی تصاویر سنتینل1 و سنتینل 2 بصورت جداگانه می‌باشد.

با توجه به اهمیت منطقه مورد مطالعه از نظر تولید محصولات کشاورزی و لزوم برنامه‌ریزی صحیح برای آن تحقیق حاضر با هدف رسیدن به روشی بهینه به منظور تفکیک سطوح زیر کشت کشاورزی انجام گردید. در این راستا جهت بررسی کارایی ادغام داده‌های راداری و اپتیکی و همچنین بهبود دقت طبقه بندی با نگاهی مبتکرانه به داده های در دسترس، تحقیق حاضر در اراضی کشاورزی شمال شرق اهواز اقدام شد.

روش­ تحقیق 

منطقه مورد مطالعه

منطقه مورد مطالعه در شمال شرق کلانشهر اهواز، مركز استان خوزستان و در محدوده شهرستان باوی در موقعیت جغرافیایی بین '51 o48 تا '57 o48 طول شرقی و '24o31 تا '34 o31 عرض شمالی با مساحتی حدود 10000 هکتار در بخش جلگه‌ای استان خوزستان و با ارتفاع متوسط 20 متر از سطح آب‌‌های آزاد واقع شده است (شکل1). رودخانه كارون بزرگترين رودخانه پر آب ايران از کنار منطقه مورد مطالعه عبور مي‌كند و آب مورد نیاز جهت فعالیت‌های كشاورزی را تامین مي‌كند. عمده سطح زیر کشت محصولات کشاورزی منطقه در فصل زمستان گندم و کلزا بوده و بصورت محدود باقله، سبزیجات و یونجه نیز کشت می‌شود. کشت صیفی جات نیز بیشتر به بامیه محدود است. همچنین به دلیل گذشتن رودخانه کارون از شهرستان باوی، این شهرستان دارای نخیلات متعددی در امتداد رودخانه می‌باشد.

شکل1. موقعیت منطقه مورد مطالعه در کشور و استان خوزستان Fig. 1. Location of the study area in Iran and Khuzestan province

 

روش کار

در تحقیق حاضر، پس از تعیین بازه زمانی برداشت تصاویر سنتینل1 و سنتینل2 براساس دوره فنولوژی، اقدام به اعمال پیش پردازش‌های لازم بر روی تصاویر شد. در مرحله بعد داده‌ها براساس دوره فنواوژی به سه گروه شامل سری زمانی کل دوره مورد بررسی، سری زمانی دوره اوج سبزینگی و تک تصویر دوره اوج سبزینگی تقسیم شدند. در ادامه نمونه‌های آموزشی و صحت سنجی جمع آوری شد و با استفاده از نمونه‌های آموزشی طبقه‌بندی و تفکیک سطوح زیر کشت با استفاده از دو الگوریتم ML و الگوریتم SVM انجام شد. در نهایت با تشکیل ماتریس خطا اقدام به ارزیابی دقت و صحت نتایج بدست ‌آمده شد. نمودار جریانی روش کار در شکل2 آورده شده است.

شکل2. فلوچارت روش انجام تحقیق Fig2. Flowchart of research method

 

داده‌های مورد استفاده

تصاویر به‌کار رفته در تحقیق حاضر شامل تصاویر راداری ماهواره سنتینل1 و تصاویر اپتیکی ماهواره سنتینل2 مربوط به سال زراعی 1398-1397 می‌باشند. پروژه سنتینل-1 در واقع مجموعه مشاهدات راداری ماهواره‌ای است که با همکاری اتحادیه اروپا و آژانس فضایی اروپا صورت می‌گیرد و در حال حاضر شامل دو سکو به نام‌های Sentinel-1A و Sentinel-1B می‌باشد. سکوی A در تاریخ 3 آپرویل 2014 و سکوی B نیز در تاریخ 25 اپریل 2016 به فضا پرتاب شد. ماهواره سنتینل1 تجهیزات یک سنجنده Synthetic Aperture Radar (SAR) با مرکز فرکانس 405/5 که در باند C قرار دارد را حمل می‌کند. این ماهواره قادر است هر 12 روز یکبار از کل کره زمین تصویر برداری کند؛ بنابراین درصورت استفاده از هر دو سکوی سنتینل1 توان تفکیک زمانی و یا به عبارتی بازدید به 6 روز خواهد رسید. سنجنده سنتینل1 در چهار حالت Stripmap (SM)، InterferometricWideSwath (IW)، Extra Wideswath (EW) و WaveMode (WM) تصویر برداری می‌کند. حالت IW اصلی‌ترین نوع تصویر‌برداری سنتینل1 با اهداف تداخل سنجی راداری می‌باشد. پهنای نوار تصویر برداری در این حالت 250 کیلومتر و توان تفکیک مکانی در این نوع از تصویر برداری 5 متر در امتداد آزیموت و 20 متر در امتداد رنج می‌باشد (7). با توجه به اینکه هدف مورد نظر در تحقیق حاضر تفکیک محصولات کشاورزی است بنابراین از حالت تصویربرداری IW و فرمت تصویربرداری (GRD) سطح یک استفاده شد. تصاویر سنتینل1 که در تحقیق حاضر استفاده شدند از سایت اژانس فضایی اروپا به نشانی https://scihub.copernicus.eu دانلود شدند (شکل3).

ماهواره سنتینل2 سري دوم ماهواره‌هاي سنتینل آژانس فضایي اروپا می‌باشد که همانند سنتینل1 نیز دارای دو سکو به نام‌های Sentinel-2A و Sentinel-2B می‌باشد. سکوی A در تاریخ 23 ژوئیه 2015 و سکوی B نیز در تاریخ 7 مارس 2017 از پایگاه فضایي آژانس فضایي اروپا به فضا پرتاب شد. مدار این ماهواره خورشید آهنگ و قطبي بوده و در ارتفاع 786 کیلومتر قرار گرفته است. مدت زمان تکرار تصویربرداري برای هر دو سکوی این ماهواره به 5 روز می‌رسد. ماهواره سنتینل2 دارای سنجنده Multi Spectral Imager (MSI) بوده و تصویربرداری را در پهنای 290 کیلومتر در 13 باند طیفی با قدرت تفکیک مکانی 10، 20 و 60 متر انجام می‌دهد (8). تصاویر سنتینل2 که در تحقیق حاضر استفاده شدند از نوع Level-1C بوده که از سایت اژانس فضایی اروپا به نشانی https://scihub.copernicus.eu دانلود شدند (شکل3).

شکل 3. تصاویر سنتینل1 و سنتینل2 به کار رفته در تحقیق حاضر Fig.3. Sentinel-1 and Sentinel-2 images used in the current study

 

پیش پردازش تصاویر

هدف از پیش ‌پردازش تصاویر راداری از لحاظ رادیومتری، در واقع تبدیل ارزش پیکسل تصویر خام به مقدار بازپراکنش زمینی آن پیکسل است. تصاویر سنتینل1 دریافت شده در حالت IW بوده، و برای استخراج ضریب بازپراکنش نیازمند اعمال پردازش‌هایی همچون کالیبراسیون سیگما صفر، فیلتر اسپکل، تصحیح اثر ناهمواری زمین و تبدیل به واحد dB می‌باشند (7). تصاویر سنتینل2 در حالت L1C از نظر هندسی اصلاح شده‌اند اما به علت اینکه رفلکتنس آنها در حالت بالای اتمسفر است، باید تصحیحات اتمسفری رادیومتریکی روی آنها اعمال شود تا بصورت رفلکتنس زمینی تغییر حالت داده شوند . برای رسیدن به این هدف از پردازشگر SEN2COR استفاده شد؛ این پردازشگر تصحیح اتمسفری را با استفاده از مجموعه‌ای از جداول LUTs تولید شده از طریق مدل انتقال تابشLibRadtran  و بر مبنای روش  ATCOR اجرا می‌کند (8). پیش پردازش تصاویر سنتینل1 و سنتینل2 در محیط نرم افزار SNAP انجام شد.

بررسی فنولوژی

در تحقیق حاضر برای تعیین بازه زمانی مناسب، اقدام به بررسی دوره فنولوژی محصولات زراعی و جمع‌آوری اطلاعاتی همچون زمان شخم و بذر پاشی، سبز شدن، دوره رشد، دوره اوج سبزینگی، زرد شدن و در نهایت برداشت محصول شد. لازم به ذکر است که اراضی کشت تابستانه در اوایل فصل از ماه آبان تا نیمه اول اسفند غالبا به کشت گندم و جو اختصاص داده ‌می‌شوند و پس از رسیدن به مرحله‌ای از رشد، توسط دام چرا شده و سپس کود به زمین داده می‌شود تا مجدد پوشش سبز رشد کند و سپس مجددا مورد چرا قرار گیرد و در نهایت از نیمه دوم اسفند و اوایل فروردین جهت آماده سازی زمین برای کشت تابستانه شخم زده می‌شوند. در این میان از بررسی فنولوژی نخلستان‌ها به دلیل دائمی بودن صرف نظر شد (شکل4).

شکل4. مراحل دوره فنولوژی گندم، کلزا و صیفی جات Fig. 4. Phenological stages of Wheat, Canola and Summer product

ایجاد تصاویر سری زمانی

پس از بررسی فنولوژی، بازه زمانی تحقیق از تاریخ 18 آبان 1397 تا 6 اردیبهشت 1398 تعیین شد. برای رسیدن به هدف تحقیق پس از پیش پردازش تصاویر سنتینل2، تنها از باندهای ده متری شامل باند2 (آبی) در محدوده 490 نانومتر، باند3 (سبز) در محدوده 560 نانومتر، باند4 (قرمز) در محدوده 665 نانومتر و باند8 (مادون قرمز) در محدوده 842 نانومتر جهت تشکیل ترکیبات تصاویر استفاده شد. در مرحله بعد جهت بارز سازی پوشش گیاهی، شاخص اختلاف نرمال شده پوشش گیاهی براساس رابطه1 محاسبه شد . پس از این مرحله، هر تصویر سنتینل2 به‌همراه شاخص NDVI مستخرج از آن با قطبش‌های VV و VH تصویر سنتینل1 دارای کمترین اختلاف زمانی ادغام شد. براساس داده‌های در دسترس سه گروه ترکیبات تصاویر ایجاد شد (شکل5). گروه اول شامل ترکیب تصاویر سری زمانی سنتینل1و2 به همراه شاخص NDVI برای کل بازه تحقیق می‌باشد؛ ترکیبات شماره 1 تا 4 بر این اساس ایجاد شدند، گروه دوم ترکیبات تصاویر سری زمانی سنتینل1 و2 براساس دوره اوج سبزینگی می‌باشند. مرحله اوج سبزینگی منطقه مورد مطالعه برای تصاویر سنتینل2 از تاریخ 16 بهمن 1397 تا 21 اسفند 1397 و برای تصاویر سنتینل1 از تاریخ 12 بهمن تا 5 فروردین 1398 در نظر گرفته شد. بر این اساس ترکیبات سری زمانی شماره 5 تا 7 ایجاد شد. گروه سوم ترکیبات از ترکیب تک تصاویر سنتینل1 و 2 ایجاد شدند؛ در این بخش به منظور بررسی اثر تلفیق تصویر راداری سنتینل1 بر روی صحت نقشه‌های خروجی به تک تصویر سنتینل2 از ترکیبات شماره 8 تا 12 استفاده شد.

]1[                                                                                                                                  

در این رابطه RED مقدار بازتاب در محدوده باند قرمز (باند4 سنتینل2) و NIR مقدار بازتاب در باند مادون قرمز نزدیک (باند8 سنتینل2) است. مقدار این شاخص بین 1- و 1+ تغییر می­کند و برای پوشش گیاهی متراکم به سمت 1+ میل می­کند و برای آب، ابرها و برف مقدار آن منفی است .

شکل5. ترکیبات تصاویر به کار رفته در تحقیق حاضر Fig.5. Integration images used in the current study

طبقه بندی تصاویر

پس از تعیین ترکیبات سری زمانی نوبت به ایجاد نقشه‌های موضوعی سطوح زیر کشت می‌رسد؛ به این منظور، اقدام به جمع‌آوری نمونه‌های تعلیمی از سطح مزارع گندم و کلزا، نخلستان‌ها و اراضی کشت تابستانه از سه منبع بازدید میدانی و برداشت مختصات UTM و برداشت نمونه‌های تعلیمی بصورت مستقیم از روی RGB تصاویر سنتینل2 شد. پس از مشخص شدن نمونه‌های آموزشی تعدادی از آن‌ها جهت بررسی صحت طبقه‌بندی و بقیه آن‌ها جهت طبقه‌بندی نظارت شده به‌کار برده شدند (جدول1). الگوریتم‌های به کار رفته در تحقیق حاضر دو مورد از پرکاربردترین الگوریتم‌های یادگیری ماشین در حوزه تصاویر سنجش از راه دور شامل روش‌های حداکثر احتمال (ML) Maximum Likelihood و  SVMمی‌باشند.

جدول1. تعداد نمونه‌های آموزشی و نمونه‌های تست به کار رفته در تحقیق حاضر

Table.1. Count of train and test data used in the current study

 

طبقه	تعداد نمونه‌های آموزشی	تعداد نمونه‌های تست
گندم	645	220
کلزا	653	238
صیفی جات	600	194
نخلستان	169	60

 

روش حداکثر احتمال  

روش حداکثر ‌احتمال ‌یکی‌ از کاراترین ‌روش‌های طبقه‌بندی ‌تصاویر ماهواره‌ای می‌باشد ‌که ‌ ‌بر اساس تئوری احتمالات طرح‌ریزی‌شده‌ است. روش ‌یادشده نیز ‌همانند ‌سایر ‌روش‌ها ‌از ‌یک سری توابع تفکیک تشکیل‌شده ‌است که بر اساس آن‌ها اقدام به تعیین سطوح تصمیم‌گیری بین کلاس‌ها می‌شود .

روش ماشین بردار پشتیبان

روش طبقه‌بندی ماشین بردار پشتیبان (SVM)، از جمله روش های طبقه بندی نظارت شده است که کاربرد زیادی در طبقه‌بندی تصاویر سنجش از دور دارد؛ این روش توسط واپنیک در سال 1995 معرفی شد (4). در این روش از انواع توابع خطی و غیر خطی برای جداسازی طبقات از یکدیگر استفاده می‌شود و توابع جداساز در فضای ویژگی نمونه‌های طبقات را از یکدیگر تفکیک میکنند به شکلی که بیشترین تفکیک پذیری میان آن طبقات ایجاد شود. این روش در طی فرایند بهینه سازی، ابر صفحه جدا کننده میان نمونه ها را براورد می‌کند.

صحت سنجی

در تحقیق حاضر پس از طبقه‌بندی تصاویر ماهواره‌ای با استفاده از نمونه‌های تعلیمی که در روند طبقه‌بندی دخالت داده نشده‌اند (جدول1)، اقدام به ارزیابی صحت تصاویر طبقه‌بندی شده گردید. در نهایت با تشکیل ماتریس خطا، ضرایب صحت کلی (OA) Overall Accuracy  و ضریب کاپا ارزیابی شدند . صحت کلی از جمع عناصر قطر اصلی ماتریس خطا بر تعداد پیکسل‌ها طبق رابطه2 محاسبه شد.

]2[                                                                                                                                     

در این رابطه OA صحت کلی، N تعداد پیکسل‌های آزمایشی،  جمع عناصر قطر اصلی ماتریس خطا می‌باشد .

شاخص کاپا پیکسل‌های نادرست طبقه‌بندی شده را مدنظر قرار می‌دهد و صحت طبقه‌بندی را نسبت به یک طبقه‌بندی کاملاً تصادفی محاسبه می‌کند. شاخص کاپا براساس رابطه3 محاسبه شد.

]3[                                                                                                                                ×100

در این رابطه  درستی مشاهده شده،  توافق مورد انتظار می‌باشد.

نتایج و بحث

بررسی سری‌های زمانی باندهای سنتینل2، شاخص NDVI و قطبش‌های سنتینل1

جهت بررسی رابطه بین کشت‌های رایج منطقه شامل گندم، کلزا، نخلستان‌ها و اراضی کشت تابستانه از روش سری زمانی تصاویر سنتینل1 و سنتینل2 در بازه زمانی 18 آبان 1397 تا 6 اردیبهشت 1398 استفاده شد. نتایج بدست آمده از سری زمانی باند2 برای سطوح زیر کشت نشان می‌دهد که در بازه زمانی بین 26 آبان تا 21 اسفند 1397 گندم به راحتی از سایر محصولات قابل تفکیک است؛ اما سایر محصولات بایکدیگر تداخل دارند و قابل تفکیک نیستند (شکل6 الف). سری زمانی باند3 الگویی مشابه با سری زمانی باند 2 دارد با این تفاوت که در این سری زمانی در تاریخ 8 دی، 21 دی و 16 بهمن سطوح زیر کشت تا حدودی قابل تفکیک هستند (شکل6 ب).

نمودار سری زمانی باند 4 بیانگر قابل تفکیک بودن گندم از سایر کشت‌ها می‌باشد اما سه نوع کشت دیگر همچنان دارای تداخل در رفتار طیفی می‌باشند و تنها در تاریخ 21 دی، 16 بهمن و 18 اسفند تا حدودی از یکدیگر قابلیت تمایز دارند (شکل6 پ). در نمودار سری زمانی باند8 کلزا از اراضی کشت تابستانه، گندم و نخلستان‌ها براحتی قابل تمایز می‌باشد اما رفتار طیفی گندم و نخلستان‌ها تا حدود زیادی منطبق بر یکدیگر بوده و قابل تمایز نمی‌باشند و تنها در تاریخ 21 اسفند هر چهار نوع سطح زیر کشت تا حدودی قابلیت تمایز دارند (شکل6 ت). نمودار سری زمانی شاخص NDVI نشان می‌دهد که گندم در ابتدای دوره مورد بررسی دارای مقدار سبزینگی خیلی کمی می‌باشد که دلیل آن می‌تواند مربوط به تاریخ کشت باشد؛ گندم معمولا از اواخر آبان کشت می‌شود و تا دی کشت آن ادامه دارد. کلزا نیز کشت آن از اوایل آبان آغاز شده و تا اواخر آبان ادامه دارد. اراضی کشت تابستانه که در ابتدای فصل به کشت گندم و جو اختصاص داده می‌شوند کشت آن‌ها نیز در آبان انجام می‌شود. بنابراین براساس اختلاف سبزینگی که در اثر تاریخ کشت بوجود می‌آید می‌توان محصولات مختلف را با استفاده از شاخص NDVI تفکیک کرد. اراضی کشت تابستانه که در ابتدای فصل به کشت گندم و جو اختصاص داده شده بودند در اواخر اسفند جهت آماده سازی زمین برای کشت تابستانه شخم زده می‌شوند که دلیل افت شدید سبزینگی این نوع کشت در تاریخ 19 فروردین این مطلب می‌باشد. کلزا نیز زودتر از گندم به مرحله رسیدگی کامل می‌رسد که این نکته نیز با توجه به نمودار سری زمانی قابل استنباط است. در این میان گندم با تاخیر به مرحله زردشدگی می‌رسد که این نکته نیز با توجه به شکل قابل فهم است (شکل 6 ث). نمودار سری زمانی قطبش VH نشان می‌دهد که هر چهار نوع سطح در بیشتر تاریخ‌های برداشت تصاویر قابل تمایز و تفکیک از همدیگر می‌باشند (6 ج). نمودار سری زمانی قطبش VV نشان می‌دهد که گندم دارای بازپراکنش متفاوتی نسبت به سایر سطوح زیر کشت می‌باشد با این حال در تاریخ‌های خاصی هر چهار نوع سطح زیر کشت در این قطبش قابل تفکیک از یکدیگر می‌باشند (شکل6 چ).

 

الف
ث	ج
چ چ
شکل6. نمودار سری زمانی برای الف) باند2، ب) باند3، پ) باند4، ت) باند 8، ث ) شاخص NDVI، ج) قطبش VH و چ) قطبش VV Fig.6. Time series for A: B2, B:B3, C:B4, D:B8, E:NDVI, F: VH and J: VV

 

 

صحت سنجی

نتایج حاصل از صحت سنجی شامل صحت کلی و ضریب کاپا برای 12 ترکیب تصایر و دو الگوریتم بکار رفته در تحقیق حاضر در جدول2 آورده شده است. نتایج بدست آمده از ترکیب سری زمانی‌ تصاویر سنتینل2، سری زمانی شاخص NDVI و سری زمانی قطبش VH سنتینل1 با الگوریتم SVM (ترکیب شماره3) از میان سایر ترکیبات با مقدار دقت کلی و ضریب کاپا به بترتیب برابر با 22/91 درصد و 89/0 دارای بالاترین مقادیر بود.

جهت بررسی اثر تلفیق تصاویر سنتینل 1 و 2 بر روی مقادیر دقت کلی و ضریب کاپا از ترکیبات 9 تا 12 استفاده شد. در ترکیب شماره 9 طبقه‌بندی تنها بر روی تصویر سنتینل2 و شاخص NDVI با دو الگوریتم SVM  و ML انجام شد و از بین این الگوریتم‌ها، الگوریتم ML با دقت کلی و ضریب کاپا بترتیب برابر با 64/78 درصد و 75/0 دارای بیشترین مقادیر بود، در ترکیب شماره 10 طبقه‌بندی بر روی تصویر سنتینل2، شاخص NDVI و قطبش VV سنتینل1 با دو الگوریتم انجام شد و دقت کلی و ضریب کاپا برای الگوریتم ML بترتیب برابر با 63/79 درصد و 76/0 برآورد شد، در ترکیب شماره 11 از تصویر سنتینل2، شاخص NDVI و قطبش VH استفاده شد و دقت کلی و ضریب کاپا بترتیب برابر با 29/80 درصد و 77/0 از بین سایر الگوریتم‌ها برای الگوریتم ML دارای بیشترین مقدار بود. در ترکیب 12 از ترکیب تصویر سنتینل2، شاخص NDVI، قطبش‌ VV و VH سنتینل1 استفاده شد و دقت کلی و ضریب کاپا بترتیب برابر با 81/77 درصد و 74/0 برای الگوریتم ML بدست آمد.

براساس یافته‌های حاصل از طبقه‌بندی به روش تک تصویر مشاهده می‌شود که قطبش VV سبب بهبود ضریب کاپا به میزان یک درصد (از مقدار 75/ در ترکیب شماره 9 به مقدار 76/0 در ترکیب شماره 10)، قطبش VH سبب بهبود ضریب کاپا به میزان 2 درصد (مقدار 77/0 در ترکیب 11) و استفاده از قطبش‌های VV و VH در کنار تک تصویر سنتینل2 و شاخص NDVI سبب بهبود ضریب کاپا به میزان سه درصد شده است (مقدار 78/0 در ترکیب شماره 12).

روش سری زمانی نیز دارای صحت بیشتری نسبت به روش طبقه‌بندی تک تصویر می‌باشد بطوری که ضریب کاپا در ترکیب تک تصویر شماره 9 از مقدار 75/0 به مقدار 84/0 در ترکیب سری زمانی شماره 1 رسیده است. همچنین تلفیق سری زمانی قطبش VH سنتینل1 با سری زمانی سنتینل2 سبب افزایش صحت طبقه‌‌بندی در حدود 5 درصد شده است (از ضریب کاپا برابر با 84/0 در ترکیب شماره 1 به مقدار 89/0 در ترکیب شماره3). انتخاب الگوریتم طبقه‌بندی نیز بسیار مهم است؛ براساس نتایج بدست آمده الگوریتم SVM برای سری زمانی بهترین صحت را نشان داده است در حالی که برای طبقه‌بندی تک تصویر الگوریتم ML نتایج بهتری ارائه داده است.

طبقه‌بندی حاصل از تلفیق دو سنجنده سنتینل1 و 2 دارای صحت بهتری نسبت به نتایج بدست آمده از طبقه‌بندی تصاویر سنتینل1 و سنتینل 2 بصورت جداگانه می‌باشند . همچنین استفاده از تصاویر سری زمانی قابلیت بالایی در تفکیک محصولات کشاورزی دارند و آمار حاصل از این روش‌ها با آمار زمینی توافق بالایی دارد  . در این میان پلاریزاسیون VH سنتینل1 نیز دارای سهم پوشش گیاهی قوی می‌باشد و به خوبی با شاخص NDVI قابلیت تلفیق دارد. (5). محققان دیگری نیز تصاویر ماهواره‌ای مختلف را به منظور دستیابی به دقت و صحت بیشتر تلفیق کرده اند (3).

 

جدول2. ضریب کاپا و دقت کلی برای نقشه‌های سطوح زیر کشت

Table.3. Kappa coefficien and Overall Accuracy for produced map

 

ترکیب باندی	ML		SVM
	OA	Kapa	OA	Kapa
1	98/76	73/0	42/86	84/0
2	12/86	83/0	39/90	88/0
3	25/87	85/0	22/91	89/0
4	25/86	83/0	39/90	88/0
5	12/81	78/0	28/82	79/0
6	96/80	77/0	1/84	81/0
7	29/81	78/0	1/84	81/0
8	6/83	8/0	5/73	68/0
9	64/78	75/0	5/73	69/0
10	63/79	76/0	99/75	72/0
11	29/80	77/0	82/76	72/0
12	62/81	78/0	82/76	72/0

 

طبقه‌بندی و برآورد سطح زیر کشت

در تحقیق حاضر انتخاب بازه تحقیق و جمع‌آوری تصاویر در سه گروه براساس مراحل فنولوژیک انجام شد. انتخاب تصاویر و انجام تحقیق براساس دوره فنولوژی دارای اهمیت زیادی است و مطالعات زیادی با هدف تعیین مراحل فنولوژیک گیاهان انجام شده است . بر این اساس در مجموع 24 نقشه سطح زیر کشت تولید شد که به دلیل زیاد بودن نتایج تنها نقشه‌های‌ دارای بیشترین دقت کلی و ضریب کاپا جهت ارائه انتخاب شدند (شکل7). براساس یافته‌ها نقشه‌ حاصل از ترکیب شماره1 با الگوریتم SVM با دقت کلی و ضریب کاپای بترتیب برابر با 42/86 درصد و 84/0 و نقشه حاصل از ترکیب شماره 3 با الگوریتم SVM  با دقت کلی و ضریب کاپا بترتیب برابر با 22/91 درصد و 89/0 از بین گروه اول ترکیبات سری زمانی بالاترین مقادیر دقت کلی و ضریب کاپا را نشان دادند (بترتیب شکل‌های 7 الف و 7 ب). از بین ترکیبات گروه دوم که براساس دوره اوج سبزینگی می‌باشند نقشه‌ حاصل از ترکیب شماره 7 با الگوریتم SVM  دارای بالاترین دقت کلی و ضریب کاپا بترتیب برابر با 1/84 درصد و 81/0 می‌باشد (شکل7 پ). از بین گروه سوم ترکیبات که مبتنی بر تک تصویر هستند نقشه حاصل از طبقه‌بندی تصویر سنتینل 2 بهمراه شاخص NDVI مستخرج از آن مربوط به تاریخ 28 بهمن 1397 (ترکیب شماره 8) با الگوریتم ML از بین تک تصاویر سنتینل2 دارای بالاترین مقادیر دقت کلی و ضریب کاپا بترتیب 6/83 درصد و 8/0 می‌باشد (شکل7 ت). تلفیق تصویر سنتینل2 مربوط به تاریخ 21 اسفند 1397 با دو قطبش VV و VH سنتینل1 مربوط به تاریخ 18 اسفند 1397 در ترکیب 12 بررسی شد. براساس نتایج بدست آمده الگوریتم حداکثر احتمال با دقت کلی و ضریب کاپای بترتیب 62/81 درصد و 78/0 برای این ترکیب بالاترین مقادیر را داشت (شکل7 ث). مساحت و درصد مساحت برای ترکیبات باندی ذکر شده در جدول3 آورده شده است.

شکل7. نقشه سطوح زیر کشت مربوط به الف) نتیجه حاصل از ترکیب1 ب) نتیجه حاصل از ترکیب3 پ) نتیجه حاصل از ترکیب 7 ت) نتیجه حاصل از ترکیب 8 و ث) نتیجه حاصل از ترکیب 12 Fig.7. Map of cultivated areas related to A) Result of combination1, B) Result of combination3, C) Result of combination7, D) Result of combination7, E) Result of combination8 and f) Result of combination12

 

 

جدول3. مساحت و درصد مساحت کلاس‌های محصولات زراعی

Table4. Area and percentage area of crop classes

ترکیب باندی	1		3		7		8		12
کلاس	ha	%	ha	%	ha	%	ha	%	ha	%
نخلستان ها	231	38/2	238	45/2	788	12/8	1189	25/12	1307	46/13
گندم	5796	71/59	6007	88/61	5444	08/56	4424	58/45	4737	80/48
صیفی جات	29	3/0	35	36/0	37	38/0	279	87/2	12	12/0
کلزا	597	15/6	524	40/5	280	88/2	180	85/1	225	32/2
سایر	3056	48/31	2904	92/29	3158	53/32	3636	46/37	3427	30/35
جمع	9709	100	9709	100	9709	100	9709	100	9709	100

 

بررسی بصری نتایج طبقه‌بندی

جهت بررسی بصری، قسمتی از منطقه مورد مطالعه که دارای تنوع سطوح کشت بود انتخاب شد (شکل8). لازم به ذکر است که شکل8 الف حاصل سری زمانی تصاویر سنتینل2 و سری زمانی شاخص NDVI می‌باشد (ترکیب1)، شکل8 ب نیز حاصل اضافه شدن قطبش VH سری زمانی رادار به سری زمانی تصاویر سنتینل2 و سری زمانی شاخص NDVI می‌باشد (ترکیب3). شکل پ از ترکیب سری زمانی داده‌های سنتینل2، سری زمانی شاخص NDVI و قطبش VH سنتینل1 برای دوره اوج سبزینگی می‌باشد (ترکیب 7). شکل‌های 8 ت براساس تک تصویر مربوط به تاریخ 17 فوریه 2019 و 8 ث براساس تک تصویر مربوط به تاریخ 12 مارس 2019 و الگوریتم حداکثر احتمال بدست آمده‌اند (به ترتیب ترکیب شماره 8 و 12). بصورت کلی نقشه‌های شکل8 الف، ب و پ دارای تطابق بسیار زیادی می‌باشند. در مستطیل شماره یک موجود در شکل الف و ب مشاهده می‌شود که مرز اراضی زیر کشت گندم برچسب کلزا گرفته‌اند که دلیل آن را می‌توان به وجود علف هرز خردل وحشی Sinapis arvensis که مشابه گیاه کلزا است نسبت داد (4; 1). این گیاه عمدتا در اثر سپاشی مزارع از بین می‌رود ولی در مواردی که سم پاشی انجام نشود و یا سم به حواشی زمین زراعی نرسد در قطعات زراعی نمود پیدا می‌کند. مستطیل شماره 2 موجود در شکل‌ها قابلیت برآورد خوب ترکیبات سری زمانی و الگوریتم به‌کار رفته را نشان می‌دهد همچنین شکل بیان‌گر این واقعیت است که الگوریتم توانسته است بخوبی سطح زیر کشت کلزا و کشت تابستانه را استخراج نماید. مربع شماره3 موجود در شکل‌های الف و ب سطح زیر کشت گندم را نشان می‌دهد در شکل8 پ مقداری کمی از مساحت این سطح برچسب نخلستان گرفته است. در شکل‌های8 ت و ث شاهد اختلاط کلاس گندم با کلاس نخلستان می‌باشیم. دلیل این اختلاط تا حدودی منطقی است چرا که نخل‌ها غالبا بصورت ردیف هایی با فاصله 8 متری از هم کاشته می‌شوند و در فاصله بین نخل‌ها کشاورزی و غالبا گندم کشت می‌شود. با این حال الگوریتم SVM به کار رفته در سه ترکیب اول توانسته است بخوبی کلاس نخلستان را استخراج نماید. براساس جدول3 مشاهده می‌شود که هر 5 ترکیب توانسته‌اند کل سطح زیر کشت رو با اختلاف کم برآورد کنند. اختلاف دو ترکیب شماره1 و 3 برای نخلستان‌ها مقداری در حدود هفت هکتار براورد شده است. برای ترکیبات 7 و 8 و 12 این اختلاف بسیار زیاد می‌باشد که بیانگر عدم توانایی الگوریتم‌های به‌کار رفته در تفکیک این کلاس می‌باشد. براساس شکل یاد شده مشاهده می‌شود که همزمان با افزایش برآورد سطح زیر کشت نخلستان، سطح زیر کشت گندم نیز کاهش می‌یابد که بیان‌گر اختلاط کلاس گندم با کلاس نخلستان می‌باشد. جهت حل این مشکل در مواقعی که هدف پایش مستمر محصولات زراعی در فواصل منظم زمانی در طول فصل رشد باشد با توجه به این نکته که سطح زیر کشت نخلستان‌ها در فواصل زمانی چند ساله معمولا دستخوش تغییر نمی‌شود می‌توان نقشه سطح زیر کشت این کلاس را با استفاده از روش‌های دارای صحت خوب تولید و به عنوان یک لایه در پایش‌های مستمر استفاده کرد. در رابطه با اراضی کشت تابستانه سه ترکیب 1، 3 و 7 بخوبی توانسته‌اند این کلاس‌ را تفکیک نمایند. دلیل ناتوانی روش‌های مبتنی بر تک تصویر در براورد صحیح را می‌توان به این قضیه نسبت داد که این زمین‌ها معمولا در ابتدای فصل زراعی به کاشت جو اختصاص داده‌ می‌شوند پس از رشد کردن در نیمه اول اسفند بصورت علوفه سبز به خوراک دام می‌رسند تا زمین جهت کاشت تابستانه که غالبا در نیمه دوم اسفند و اوایل فرورین انجام می‌شود آماده شود.

شکل8. بخشی از نقشه سطوح زیر کشت مربوط به الف) نقشه حاصل از ترکیب1 ب) نقشه حاصل از ترکیب3 پ) نقشه حاصل از ترکیب 7 ت) نقشه حاصل از ترکیب 8 ث) نقشه حاصل از ترکیب 12 Fig.8. Part of cultivated areas map related to A) Result of combination1, B) Result of combination3, C) Result of combination7, D) Result of combination7, E) Result of combination8 and f) Result of combination12

نتیجه­گیری 

مطالعه حاضر با هدف برآورد سطح زیر کشت محصولات کشاورزی با استفاده از تلفیق تصاویر سنتینل1 و 2 در شمال شرق اهواز انجام شد برای رسیدن به هدف تحقیق از تعداد 7 ترکیب سری زمانی و 5 ترکیب تک تصویر و الگوریتم‌های طبقه‌بندی ML و SVM استفاده شد. براساس نتایج بدست آمده اعمال الگوریتم SVM بر روی ترکیبات سری زمانی سبب رسیدن به بالاترین صحت می‌شود. از بین ترکیبات سری زمانی، ترکیب سری زمانی کل تصاویر سنتینل2، شاخص NDVI و قطبش VH سنتینل1 (ترکیب شماره3) با صحت کلی و ضریب کاپا بترتیب 22/91 و 89/0 بالاترین صحت را نشان داد. برای تک تصویر‌هایی که طبقه‌بندی بر روی آنها اعمال شد نتیجه الگوریتم حداکثر احتمال برای تصویر سنتینل2 مربوط به تاریخ 28 بهمن 1397 (ترکیب شماره8) با صحت کلی و ضریب کاپای بترتیب 6/83 و 8/0 بهترین صحت را نشان داد. از نتایج بدست آمده اینگونه استنتاج می‌شود که سری زمانی تصاویر سنتینل2 و الگویتم SVM جهت استخراج سطوح زیر کشت منطقه مورد مطالعه دارای صحت قابل قبولی هستند همچنین ادغام قطبش VH سنتینل1 به سری زمانی سنتینل2 سبب افزایش صحت طبقه‌بندی منطقه مورد مطالعه به میزان 5 درصد شده است. در روش‌های تک تصویر نیز اگر ادغام تصاویر اپتیکی و راداری انجام شود دقت و صحت مقداری در حدود 3 درصد بهبود پیدا خواهد کرد. لازم به ذکر است که در مواردی که نیاز است پایش سطح زیر کشت محصولات جهت برنامه‌ریزی دقیق بصورت مستمر در طول فصل رشد انجام شود عملا امکان استفاده از روش سری زمانی با محدودیت‌های زیادی مواجه است. براساس نتایج بدست آمده ترکیب‌ روش‌های مبتنی بر یک یا چند تصویر نیز می‌توانند دقت قابل قبولی داشته باشند همچنین می‌توان با استفاده از روش‌های سری زمانی لایه سطوح ثابتی که در روش تک تصویر ایجاد تداخل می‌کنند مانند نخلستان‌ها، جنگل‌ها و باغات و... مربوط به یک یا چند دوره قبل را تولید کرد و بدین صورت صحت روش‌های مبتنی بر یک یا چند تصویر مربوط به بخشی از دوره رویشی را به مقدار زیادی  بهبود بخشید.

 

 

References

Amiri F, Tabatabaie T. 2022. The effect of land use change/land cover on land surface temperature in the coastal area of Bushehr. RS & GIS for Natural Resources, 13(2): 130-147. (In Persian).

Arias M, Campo-Bescós MÁ, Álvarez-Mozos J. 2020. Crop classification based on temporal signatures of Sentinel-1 observations over Navarre province, Spain. Remote Sensing, 12(2): 278. doi: https://doi.org/10.3390/rs12020278.

Cervantes J, Garcia-Lamont F, Rodríguez-Mazahua L, Lopez A. 2020. A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408: 189-215. doi: https://doi.org/10.1016/j.neucom.2019.10.118.

Chauhan S, Darvishzadeh R, Lu Y, Boschetti M, Nelson A. 2020. Understanding wheat lodging using multi-temporal Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 243: 111804. doi: https://doi.org/10.1016/j.rse.2020.111804.

Congalton RG, Green K. 2019. Assessing the accuracy of remotely sensed data: principles and practices. CRC press.

Emrullah A, ALTUN M. 2021. Classification of the Agricultural Crops Using Landsat-8 NDVI Parameters by Support Vector Machine. Balkan Journal of Electrical and Computer Engineering, 9(1): 78-82. doi: https://doi.org/10.17694/bajece.863147.

ESA. 2015. Radiometric Calibration of S-1 Level-1 Products Generated by the S-1 IPF. https://sentinel.esa.int/ (accessed 12 April 2022. (

ESA. 2015. Sentinel-2 User Handbook. https://sentinel.esa.int/ (accessed 12 April 2022 (.

FAO. 2017. The Future of Food and Agriculture - Trends and Challenges. Rome.

Friesen GH, Wall DA. 1991. Control of Sinapis arvensis in safflower with post-emergence herbicides. Crop Protection, 10(1): 74-77. doi: https://doi.org/10.1016/0261-2194(91)90031-L.

Jensen JR. 2005. Introductory Digital Image Processing: A Remote Sensing Perspective. Upper Saddle River, Prentice Hall. 

Joachims T. 1999. SVM light: Support vector machine, vol 19. SVM-Light Support Vector Machine, vol 4. University of Dortmund. 

Kumar P, Jeganathan C. 2017. Monitoring horizontal and vertical cropping pattern and dynamics in Bihar over a decade (2001–2012) Based on Time-Series Satellite Data. Journal of the Indian Society of Remote Sensing, 45(3): 485-502. doi: https://doi.org/10.1007/s12524-016-0614-1.

Li W-g, Hua L, ZHAO L-h. 2011. Estimating rice yield by HJ-1A satellite images. Rice Science, 18(2): 142-147. doi: https://doi.org/10.1016/S1672-6308(11)60020-6.

Mayer B, Kylling A. 2005. The libRadtran software package for radiative transfer calculations - description and examples of use. Atmos Chem Phys, 5(7): 1855-1877. doi: https://doi.org/10.5194/acp-5-1855-2005.

Mercier A, Betbeder J, Baudry J, Le Roux V, Spicher F, Lacoux J, Roger D, Hubert-Moy L. 2020. Evaluation of Sentinel-1 & 2 time series for predicting wheat and rapeseed phenological stages. ISPRS Journal of Photogrammetry and Remote Sensing, 163: 231-256. doi: https://doi.org/10.1016/j.isprsjprs.2020.03.009.

Mostafa K, Kazem R, Shahin M. 2018. Application of fusion in satellite images the Landsat-8 and Sentinel-2 in environmental monitoring. RS & GIS for Natural Resources, 9(3): 53-71. (In Persian).

 Pattanaik F, Mohanty S. 2017. Changes in Cropping Pattern in Odisha Agriculture in Neo-Liberal Period. Journal of Rural Development, 36(1): 121-154. doi: https://doi.org/10.25175/jrd.v36i1.141871.

Richter R, Schlaepfer D. 2011. Atmospheric/topographic correction for satellite imagery: ATCOR-2/3 User Guide Vers. 8.0. 2. DLR - German Aerospace Center, Remote Sensing Data Center.

Rouse JW, Haas RH, Schell JA. 1974. Monitoring the vernal advancement of retrogradation (greenwave effect) of natural vegetation. . Remote Sensing Center,Texas A&M University College Station, Texas, USA,Type III Final Report RSC 1978-4: 1–93.

Shrestha B, Ahmad S, Stephen H. 2021. Fusion of Sentinel-1 and Sentinel-2 data in mapping the impervious surfaces at city scale. Environmental Monitoring and Assessment, 193(9): 1-21. doi: https://doi.org/10.1007/s10661-021-09321-6.

Son N-T, Chen C-F, Chen C-R, Guo H-Y. 2020. Classification of multitemporal Sentinel-2 data for field-level monitoring of rice cropping practices in Taiwan. Advances in Space Research. doi: https://doi.org/10.1016/j.asr.2020.01.028.

Stendardi L, Karlsen SR, Niedrist G, Gerdol R, Zebisch M, Rossi M, Notarnicola C. 2019. Exploiting time series of Sentinel-1 and Sentinel-2 imagery to detect meadow phenology in mountain regions. Remote Sensing, 11(5): 542. doi:  https://doi.org/10.3390/rs11050542.

Talema T, Hailu BT. 2020. Mapping rice crop using sentinels (1 SAR and 2 MSI) images in tropical area: A case study in Fogera wereda, Ethiopia. Remote Sensing Applications: Society and Environment, 18: 100290. doi: https://doi.org/10.1016/j.rsase.2020.100290.

Tatsumi K, Yamashiki Y, Torres MAC, Taipe CLR. 2015. Crop classification of upland fields using Random forest of time-series Landsat 7 ETM+ data. Computers and Electronics in Agriculture, 115: 171-179. doi: https://doi.org/10.1016/j.compag.2015.05.001.

Virnodkar S, Pachghare VK, Patil V, Jha SK. 2021. Performance Evaluation of RF and SVM for Sugarcane Classification Using Sentinel-2 NDVI Time-Series, in: Progress in Advanced Computing and Intelligent Engineering. In. Springer, pp 163-174. 

Warwick SI, Beckie HJ, Thomas AG, McDonald T. 2000. The biology of Canadian weeds. 8. Sinapis arvensis. L. (updated). Canadian Journal of Plant Science, 80(4): 939-961. doi: 10.4141/P99-139.

You N, Dong J. 2020. Examining earliest identifiable timing of crops using all available Sentinel 1/2 imagery and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 161: 109-123. doi: https://doi.org/10.1016/j.isprsjprs.2020.01.001.

 

 

 

 

 

 

Improving the accuracy of separation the crops cultivated area using integration of multi-temporal radar and optical sentinel images and machine learning algorithms

 

Abstract

In order to achieve food security, timely, accurate and repeatable monitoring the cultivated areas is necessary. In this regard, the present research aimed to improving accuracy of separation the crops cultivated area in the northeastern region of Ahvaz. To achieve the research goal, based on the available data, three groups of time series combination were created. The first group includes the combination of Sentinel 1 and 2 time series along with the NDVI index for the entire period, the second group of Sentinel 1 and 2 time series combinations based on the peak greenness and the third group were single images of Sentinel 1 and 2 in the peak greenness period. Then, images were classified using ML and SVM algorithms. Finally, crops cultivated area maps were prepared. the accuracy of the obtained results was evaluated using overal accuracy indices and Kappa coefficient. Based on the obtained results, it was found that the combination of the time series of Sentinel 1 and 2 images along with the NDVI index for the entire period (Combination No. 3) using the SVM method to extract the cultivated areas of the study area has the highest overall accuracy and Kappa coefficient, which is 91.22 and 0.89 percent respectively. Also, the obtained results indicated that the SVM algorithm has the highest overall accuracy and kappa coefficient for time series combinations, and for single image methods, the ML algorithm has the highest overall accuracy and kappa coefficient. Based on the findings, it is concluded that the combination of the time series of Sentinel 2 images and the SVM template for extracting cultivated areas have high accuracy compared to the single image method, and combining the VH polarization of Sentinel 1 to the time series of Sentinel 2 improved the accuracy about 5%.

 

Keywords: Remote sensing, image integration, crops classification, radar images, Khuzestan province

 

 

 

 

 

 

 

 

 

 

 

بهبود دقت تفکیک سطوح زیرکشت محصولات کشاورزی با استفاده از ادغام تصاویر چند زمانه راداری و اپتیکی سنتینل و الگوریتم‌های یادگیری ماشین 

 

پیشینه و هدف: با توجه به افزایش جمعیت میزان تقاضای مواد غذایی همواره در حال افزایش است. افزایش جمعیت و بلایای طبیعی مانند خشکسالی، سیل و غیره، بر مناطق کشاورزی تأثیر گذاشته و به طور مداوم باعث تغییر الگوی کشت و آمار مربوط به آن شده است. بنابراین جهت رسیدن به امنیت آبی و غذایی پایش به‌هنگام، دقیق و با قابلیت تکرار پذیری سطوح زیر کشت لازم و ضروری است. در این راستا تحقیق حاضر با هدف بهبود دقت بهبود دقت تفکیک سطوح زیرکشت محصولات کشاورزی با استفاده از الگوریتم‌های یادگیری ماشین و ادغام تصاویر چند زمانه راداری و اپتیکی سنتینل در اراضی کشاورزی شمال شرق اهواز انجام شد.

 

مواد و روش:‌ پس از بررسی فنولوژی، بازه زمانی تحقیق از تاریخ 18 آبان 1397 تا 6 اردیبهشت 1398 تعیین شد. برای رسیدن به هدف تحقیق پس از پیش پردازش تصاویر سنتینل2، تنها از باندهای ده متری شامل باند2 (آبی) در محدوده 490 نانومتر، باند3 (سبز) در محدوده 560 نانومتر، باند4 (قرمز) در محدوده 665 نانومتر و باند8 (مادون قرمز) در محدوده 842 نانومتر جهت تشکیل ترکیبات تصاویر استفاده شد. در مرحله بعد جهت بارز سازی پوشش گیاهی، شاخص اختلاف نرمال شده پوشش گیاهی NDVI محاسبه شد. پس از این مرحله، هر تصویر سنتینل2 به‌همراه شاخص NDVI مستخرج از آن با قطبش‌های VV و VH تصویر سنتینل1 دارای کمترین اختلاف زمانی ادغام شد. براساس داده‌های در دسترس سه گروه ترکیبات تصاویر ایجاد شد. گروه اول شامل ترکیب تصاویر سری زمانی سنتینل1و2 به همراه شاخص NDVI برای کل بازه تحقیق می‌باشد؛ ترکیبات شماره 1 تا 4 بر این اساس ایجاد شدند، گروه دوم ترکیبات تصاویر سری زمانی سنتینل1 و2 براساس دوره اوج سبزینگی می‌باشند. مرحله اوج سبزینگی منطقه مورد از تاریخ 12 بهمن تا 5 فروردین 1398 در نظر گرفته شد. بر این اساس ترکیبات سری زمانی شماره 5 تا 7 ایجاد شد. گروه سوم ترکیبات از ترکیب تک تصاویر سنتینل1 و 2 ایجاد شدند؛ در این بخش به منظور بررسی اثر تلفیق تصویر راداری سنتینل1 بر روی صحت نقشه‌های خروجی به تک تصویر سنتینل2 از ترکیبات شماره 8 تا 12 استفاده شد. در ادامه نمونه‌های آموزشی جمع‌آوری و به دو گروه جهت آموزش و ارزیابی صحت تقسیم شدند. با استفاده از نمونه‌های آموزشی و طبقه‌بندی با استفاده از دو الگوریتم حداکثر احتمال و الگوریتم ماشین بردار پشتیبان تفکیک سطوح زیر کشت انجام شد. در نهایت با تشکیل ماتریس خطا دقت و صحت نتایج به‌دست آمده ارزیابی شد.

نتایج و بحث: نتایج بدست آمده از ترکیب سری زمانی‌ تصاویر سنتینل2، سری زمانی شاخص NDVI و سری زمانی قطبش VH سنتینل1 با الگوریتم SVM (ترکیب شماره3) از میان سایر ترکیبات با مقدار دقت کلی و ضریب کاپا به بترتیب برابر با 22/91 درصد و 89/0 دارای بالاترین مقادیر بود. جهت بررسی اثر تلفیق تصاویر سنتینل 1 و 2 بر روی مقادیر دقت کلی و ضریب کاپا از ترکیبات 9 تا 12 استفاده شد. در ترکیب شماره 9 طبقه‌بندی تنها بر روی تصویر سنتینل2 و شاخص NDVI با دو الگوریتم SVM و ML انجام شد و از بین این الگوریتم‌ها، الگوریتم ML با دقت کلی و ضریب کاپا بترتیب برابر با 64/78 درصد و 75/0 دارای بیشترین مقادیر بود، در ترکیب شماره 10 طبقه‌بندی بر روی تصویر سنتینل2، شاخص NDVI و قطبش VV سنتینل1 با دو الگوریتم انجام شد و دقت کلی و ضریب کاپا برای الگوریتم ML بترتیب برابر با 63/79 درصد و 76/0 برآورد شد، در ترکیب شماره 11 از تصویر سنتینل2، شاخص NDVI و قطبش VH استفاده شد و دقت کلی و ضریب کاپا بترتیب برابر با 29/80 درصد و 77/0 از بین سایر الگوریتم‌ها برای الگوریتم ML دارای بیشترین مقدار بود. در ترکیب 12 از ترکیب تصویر سنتینل2، شاخص NDVI، قطبش‌ VV و VH سنتینل1 استفاده شد و دقت کلی و ضریب کاپا بترتیب برابر با 81/77 درصد و 74/0 برای الگوریتم ML بدست آمد. 

روش سری زمانی نیز دارای صحت بیشتری نسبت به روش طبقه‌بندی تک تصویر می‌باشد بطوری که ضریب کاپا در ترکیب تک تصویر شماره 9 از مقدار 75/0 به مقدار 84/0 در ترکیب سری زمانی شماره 1 رسیده است. همچنین تلفیق سری زمانی قطبش VH سنتینل1 با سری زمانی سنتینل2 سبب افزایش صحت طبقه‌‌بندی در حدود 5 درصد شده است (از ضریب کاپا برابر با 84/0 در ترکیب شماره 1 به مقدار 89/0 در ترکیب شماره3). انتخاب الگوریتم طبقه‌بندی نیز بسیار مهم است؛ براساس نتایج بدست آمده الگوریتم SVM برای سری زمانی بهترین صحت را نشان داده است در حالی که برای طبقه‌بندی تک تصویر الگوریتم ML نتایج بهتری ارائه داده است.

طبقه‌بندی حاصل از تلفیق دو سنجنده سنتینل1 و 2 دارای صحت بهتری نسبت به نتایج بدست آمده از طبقه‌بندی تصاویر سنتینل1 و سنتینل 2 بصورت جداگانه می‌باشند. همچنین استفاده از تصاویر سری زمانی قابلیت بالایی در تفکیک محصولات کشاورزی دارند و آمار حاصل از این روش‌ها با آمار زمینی توافق بالایی دارد. در این میان پلاریزاسیون VH سنتینل1 نیز دارای سهم پوشش گیاهی قوی می‌باشد و به خوبی با شاخص NDVI قابلیت تلفیق دارد.

نتیجه گیری: مطالعه حاضر با هدف برآورد سطح زیر کشت محصولات کشاورزی با استفاده از تلفیق تصاویر سنتینل1 و 2 در شمال شرق اهواز انجام شد برای رسیدن به هدف تحقیق از تعداد 7 ترکیب سری زمانی و 5 ترکیب تک تصویر و الگوریتم‌های طبقه‌بندی ML و SVM استفاده شد. از نتایج بدست آمده اینگونه استنتاج می‌شود که سری زمانی تصاویر سنتینل2 و الگویتم SVM جهت استخراج سطوح زیر کشت منطقه مورد مطالعه دارای صحت قابل قبولی هستند همچنین ادغام قطبش VH سنتینل1 به سری زمانی سنتینل2 سبب افزایش صحت طبقه‌بندی منطقه مورد مطالعه به میزان 5 درصد شده است. در روش‌های تک تصویر نیز اگر ادغام تصاویر اپتیکی و راداری انجام شود دقت و صحت مقداری در حدود 3 درصد بهبود پیدا خواهد کرد.

واژگان کلیدی: سنجش از دور، تلفیق تصاویر، طبقه‌بندی، تصاویر راداری، استان خوزستان

 

 

Improving the accuracy of separation the crops cultivated area using integration of multi-temporal radar and optical sentinel images and machine learning algorithms

 

Statement of the Problem and purpose: Due to the increase in population, the demand for food is always increasing. Population increase and natural disasters such as drought, flood, etc., have affected agricultural areas and have continuously changed the cultivation pattern and related statistics. Therefore, in order to achieve food security, timely, accurate and reproducible monitoring of cultivated areas is necessary. In this regard, the current research was carried out with the aim of improving the accuracy of the classification of separation the crops cultivated area using integration of multi-temporal radar and optical sentinel images and machine learning algorithms in the agricultural lands of northeastern Ahvaz.

Methodology: After investegation the phenology of crops, the research period was determined from November 18, 2017 to May 6, 2018. To achieve the goal of the research, after pre-processing the images of Sentinel 2, only ten meter bands including band 2 (blue) in the range of 490 nm, band 3 (green) in the range of 560 nm, band 4 (red) in the range of 665 nm and band 8 (infrared) in the range of 842 nm were used. In the next step, in order to highlight the vegetation, the NDVI index was calculated. After this step, each Sentinel 2 image along with the NDVI index extracted from it was integrated with the VV and VH polarizations of the Sentinel 1 image with the least time difference. Based on the available data, three groups of image combinations were created. The first group includes the combination of Sentinel 1 and 2 time series images along with the NDVI index for the entire research period; Combinations number 1 to 4 were created based on this, the second group of combinations of time series images of Sentinel 1 and 2 are based on the peak period of greenness. The peak stage of greenness of the area was considered from 12th of February to 5th of April 2018. Based on this, time series combinations No. 5 to 7 were created. The third group of combinations was created by combining the single images of Sentinel 1 and 2; In this section, combinations No. 8 to 12 were used in order to investigate the effect of combining the Sentinel 1 radar image on the accuracy of the output maps to the Sentinel 2 single image. Further, training samples were collected and divided into two groups for training and testing. By using training samples and classification using ML and SVM algorithms, the separation of cultivated areas was done. Finally, by forming the error matrix, the accuracy of the obtained results were evaluated.

Results and discussion: The results obtained by combining the time series of Sentinel 2 images, the time series of NDVI index and the time series of VH polarization of Sentinel 1 with the SVM algorithm (combination 3) among other combinations has the highest overall accuracy and Kappa coefficient equal to 91.22% and 0.89, respectively. Combinations 9 to 12 were used to investigate the effect of combining Sentinel 1 and 2 images on overall accuracy and kappa coefficient values. In combination number 9, the classification was done only on the Sentinel 2 image and the NDVI index with SVM and ML algorithms, among these algorithms, the ML algorithm had the highest overall accuracy and kappa coefficient equal to 78.64% and 0.75%, respectively. In combination 10, the classification was performed on Sentinel 2 image, NDVI index and VV polarization of Sentinel 1 with two algorithms, and the overall accuracy and kappa coefficient for ML algorithm were estimated as 79.63% and 0.76, respectively, in combination number 11, Sentinel 2 image, NDVI index and VH polarization were used, and overall accuracy and kappa coefficient were 80.29% and 0.77%, respectively, among other algorithms, ML algorithm had the highest value. In combination 12, Sentinel 2 image combination, NDVI index, VV and VH polarization of Sentinel 1 were used and the overall accuracy and kappa coefficient for the ML algorithm were 77.81% and 0.74% respectively. 

The time series method is also more accurate than the single image classification method, so that the Kappa coefficient in the combination of single image (combination number 9) has reached the value of 0.75 to the value of 0.84 in the combination of time series number 1. Also, combining the time series of VH polarization of Sentinel 1 with the time series of Sentinel 2 has increased the classification accuracy about 5% (from the Kappa coefficient equal to 0.84 in combination 1 to 0.89 in combination 3). Choosing the classification algorithm is also very important; Based on the obtained results, the SVM algorithm has shown the best accuracy for the time series, while the ML algorithm has provided better results for single image classification.

The classification resulting from the combination of Sentinel 1 and 2 sensors has better accuracy than the results obtained from the classification of Sentinel 1 and Sentinel 2 images separately. Also, the use of time series images has a high ability to distinguish agricultural products, and the statistics obtained from these methods have a high agreement with the ground statistics. Meanwhile, the VH polarization of Sentinel 1 also has a strong contribution of vegetation and can be well integrated with the NDVI index. 

 

Conclusion: The present study aimed to improving the accuracy of separation the crops cultivated area using integration of multi-temporal radar and optical sentinel images and machine learning algorithms in the northeast of Ahvaz county. To achieve the research goal, 7 time series combinations and 5 single image combinations with ML and SVM algorithms were used. From the obtained results, it can be concluded that the time series of Sentinel 2 images and the SVM for extracting the cultivated areas of the study area have acceptable accuracy. Also, the integration of VH polarization of Sentinel 1 to the time series of Sentinel 2 has increased the classification accuracy of the study area about 5%. . In single image methods, if optical and radar images are integrated, the accuracy will be improved by about 3%.

Keywords: Remote Sensing, image integration, classification, radar images, Khuzestan province

19

 

---