• الصفحة الرئيسية
  • تشخیص تیپ اراضی کشاورزی دشت عباس با استفاده از تحلیل سری زمانی تصاویر ماهواره سنتینل 2

شارک

عنوان URL للمقالة


رقم المقالة : JSDE-2212-1253 (R2) زيارة : 116 الصفحة: 1 - 13

نوع المخطوط: ابحاث

تشخیص تیپ اراضی کشاورزی دشت عباس با استفاده از تحلیل سری زمانی تصاویر ماهواره سنتینل 2

الموضوعات :

مهدی رضایی 1 (دانشجوی دکتری رشته سنجش از دور وGIS ، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
حسین آقامحمدی زنجیر آباد 2 (استادیار، گروه سنجش از دور وGIS ، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. *(مسوول مکاتبات))
زهرا عزیزی 3 (استادیار، گروه سنجش از دور وGIS ، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
علیرضا وفایی نژاد 4 (دانشیار، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.)
سعید بهزادی 5 (استادیار، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران.)

تاريخ الإرسال : 13 الأربعاء , جمادى الأولى, 1444 تاريخ التأكيد : 07 السبت , ذو القعدة, 1444 تاريخ الإصدار : 09 الجمعة , جمادى الثانية, 1445

الکلمات المفتاحية: سنتینل, تصویر, سری زمانی, NDVI, اراضی آبی,

ملخص المقالة :

زمینه و هدف: یکی از مبادی مهم و پر مصرف آب شیرین، اراضی کشاورزی می باشند. محل تأمین آب مزارع آبی چاه های نیمه عمیق و عمیق می باشند. مدیریت و پایش اراضی آبی در بحث مصرف آب امری حیاتی است. از طرفی، چاه های غیرمجاز کشاورزی در بین چاه های دارای مجوز، وجود دارند اما شناسایی آن‌ها به‌وسیله بازدید های میدانی، به دلایل مختلف ازجمله تعداد بالای اراضی، شرایط آب و هوایی و همچنین دسترسی سخت به اراضی دور از جاده، بسیار سخت و پیچیده است. روش بررسی: کشف و پایش این اراضی با استفاده از سنجش‌ازدور و سیستم اطلاعات جغرافیایی بسیار سریع و با دقت بالا امکان پذیر است. در این پژوهش با استفاده از شاخص NDVI و مجموعه داده های سری زمانی تصاویر سنتینل 2 (باندهای 4 و 8) برای ماه های اسفند، فروردین و اردیبهشت، طبقه بندی به روش SVM رای بخشی از اراضی دشت عباس دهلران در سال آبی 2022 انجام‌شده است و با استفاده از داده های کاداستر، اعتبار سنجی نتایج، انجام شد. یافته ها: دقت طبقه بندی انجام شده بر اساس نقشه های کاداستر، برای اراضی آبی 98.4% و برای اراضی دیم مقدار 86.7% محاسبه‌شده است. نتایج نشان دهنده دقت بالا در تشخبص و تفکیک نوع اراضی کشاورزی می باشد. بحث و نتیجه گیری: با استفاده از الگوریتم های سری زمانی بر روی مجموعه تصاویر ماهواره ای و ارزیابی نتایج بر مبنی کاداسترهای اراضی کشلورزی موجود از منطقه امکان شناسایی اراضی آبی غیرقانونی و به تبع ان چاه‌های تامین کننده آب انها امکان پذیر است.

المصادر:


  1. A Khalil Diab Al-Gharibawi, Z Azizi., 2021: Analysis of long-term dynamics of Lake Milh based on satellite imagery, Journal of Meteorology and Atmospheric Science, 4(1): 67-74. (In Persian)
    2.
  2. Alibakhshi T, Azizi Z, Vafaeinezhad A, Aghamohammadi H. 2020. Survey of Area Changes in Water Basins of Shahid Abbaspour Dam Caused by 2019 Floods Using Google Earth Engine. Iranian Journal of Ecohydrology, 7(2): 345-357. (In Persian)
    3.
  3. I Mohammad Jani, N Yazdanian,  2014. The Analysis of Water Crisis Conjecture in Iran and The Exigent Measures for Its Management, 21(65), 117. (In Persian)
    4.
  4. Iran Economy, 2016 water crisis: depth, roots and solutions, number 209, pp.20-26. (In Persian)
    5.
  5. Yazdan Panah M, Zabidi T, Romina F.Z, 2019.Factors influencing the drilling of unauthorized agricultural wells in Dashtestan city. Space economy and rural development. 8 (27):203-222. (In Persian)
    6.
  6. Chavoshi, H, 2014. Iranian economy, illegal wells. Farda business weekly. 3: 101. (In Persian)
    7.
  7. Huaqiao, Xing; Bingyao, Chen; Yongyu, Feng; Dongyang, Hou; Xue, Wang; Yawei, Kong; 2022. Mapping irrigated, rainfed and paddy croplands from time-series Sentinel-2 images by integrating pixel-based classification and image segmentation on Google Earth Engine, Geocarto International, 10, 1-20.
    8.
  8. Kanjir U, Đurić N, Veljanovski T. Sentinel-2 Based Temporal Detection of Agricultural Land Use Anomalies in Support of Common Agricultural Policy Monitoring. ISPRS International Journal of Geo-Information. 2018; 7(10):405. https://doi.org/10.3390/ijgi7100405
    9.
  9. Erdanaev, E; Kappas, M; Wyss, D; 2022. The Identification of Irrigated Crop Types Using Support Vector Machine, Random Forest and Maximum Likelihood Classification Methods with Sentinel-2 Data in 2018: Tashkent Province, Uzbekistan, International Journal of Geoinformatics, 18, 37-53.
    10.
  10. Delfan E, Naqvi H, Malik Nia R, Nouraldini S.A, 2017. Investigating the effectiveness of Sentinel 2 satellite images and non-parametric classification methods in preparing land use maps, the first national conference on applied research in science and engineering, Mashhad, Iran. (In Persian)
    11.
  11. Akhwan Fomenis, S. Dost M., 1398. Investigating the effectiveness of Sentinel 2 satellite images in the preparation of land use maps, the 5th international conference on agricultural and environmental engineering with a sustainable development approach, Shiraz, Iran. (In Persian)
    12.
  12. Ghodsi, Z., Kheirkhah Zarkesh, M. M., Ghermezcheshmeh, B. (2021). 'Comparison of Accuracy Between Support Vector Machine and Random Forest Classifiers for Land Use and Crop Mapping Using Multi-Temporal Sentinel-2 Images', Iranian Journal of Remote Sensing & GIS, 12(4), pp. 73-92. doi: 10.52547/gisj.12.4. (In Persian)
    13.
  13. Mousavi Seyedi, S. R., & Miri, S. M. R. (2022). Numerical Simulation of the Performance and Emission of a Diesel Engine with Diesel-biodiesel Mixtures. Journal of Agricultural Machinery, 12(4), 559-574. (In Persian)
    14.
  14. Rouse, J.W., Haas, R.H., Schell, J.A. and Deering, D.W. (1973) Monitoring Vegetation Systems in the Great Plains with ERTS (Earth Resources Technology Satellite). Proceedings of 3rd Earth Resources Technology Satellite Symposium, Greenbelt, 10-14 December, SP-351, 309-317.
    15.
  15. S Haydari, A.R Salehi, Z Azizi, S Firoozinezhad, 2010. The pattern of stands Persian oak decline using time series Landsat satellite images (Case Study Basht forest of Iran), Lebanese Scientific Journal, 19(1): 67-73.
    16.
  16. Snevajs H, Charvat K, Onckelet V, Kvapil J, Zadrazil F, Kubickova H, Seidlova J, Batrlova I. Crop Detection Using Time Series of Sentinel-2 and Sentinel-1 and Existing Land Parcel Information Systems. Remote Sensing. 2022; 14(5):1095. https://doi.org/10.3390/rs14051095
    17.
  17. Z Azizi, A Najafi, P Fatehi, M Pirbavaghar, 2010. Forest stand volume estimation using satellite IRS_P6 (LISS_IV) data (Case study: Lirehsar, Tonekabon), Iranian Journal of Forest and Poplar Research,18(1): 151-143. (In Persian)
    18.
  18. M Mafi, Z Azizi, P Karimi, P Alemi Safaval, 2021. Investigating the trend of water level changes in Allahabad wetland by using temporal images, Iranian journal of Ecohydrology, 8(2): 321-329. (In Persian)
    19.
  19. Kobayashi, N.; Tani, H.; Wang, X.; Sonobe, R. Crop classification using spectral indices derived from Sentinel-2A imagery. J. Inf. Telecommun. 2020, 4, 67–90.
    20.
  20. Xu, L.; Zhang, H.; Wang, C.; Zhang, B.; Liu, M. Crop Classification Based on Temporal Information Using Sentinel-1 SAR Time-Series Data. Remote Sens. 2018, 11, 53. 
    21.

 

 

 

_||_

  1. A Khalil Diab Al-Gharibawi, Z Azizi., 2021: Analysis of long-term dynamics of Lake Milh based on satellite imagery, Journal of Meteorology and Atmospheric Science, 4(1): 67-74. (In Persian)
    2.
  2. Alibakhshi T, Azizi Z, Vafaeinezhad A, Aghamohammadi H. 2020. Survey of Area Changes in Water Basins of Shahid Abbaspour Dam Caused by 2019 Floods Using Google Earth Engine. Iranian Journal of Ecohydrology, 7(2): 345-357. (In Persian)
    3.
  3. I Mohammad Jani, N Yazdanian,  2014. The Analysis of Water Crisis Conjecture in Iran and The Exigent Measures for Its Management, 21(65), 117. (In Persian)
    4.
  4. Iran Economy, 2016 water crisis: depth, roots and solutions, number 209, pp.20-26. (In Persian)
    5.
  5. Yazdan Panah M, Zabidi T, Romina F.Z, 2019.Factors influencing the drilling of unauthorized agricultural wells in Dashtestan city. Space economy and rural development. 8 (27):203-222. (In Persian)
    6.
  6. Chavoshi, H, 2014. Iranian economy, illegal wells. Farda business weekly. 3: 101. (In Persian)
    7.
  7. Huaqiao, Xing; Bingyao, Chen; Yongyu, Feng; Dongyang, Hou; Xue, Wang; Yawei, Kong; 2022. Mapping irrigated, rainfed and paddy croplands from time-series Sentinel-2 images by integrating pixel-based classification and image segmentation on Google Earth Engine, Geocarto International, 10, 1-20.
    8.
  8. Kanjir U, Đurić N, Veljanovski T. Sentinel-2 Based Temporal Detection of Agricultural Land Use Anomalies in Support of Common Agricultural Policy Monitoring. ISPRS International Journal of Geo-Information. 2018; 7(10):405. https://doi.org/10.3390/ijgi7100405
    9.
  9. Erdanaev, E; Kappas, M; Wyss, D; 2022. The Identification of Irrigated Crop Types Using Support Vector Machine, Random Forest and Maximum Likelihood Classification Methods with Sentinel-2 Data in 2018: Tashkent Province, Uzbekistan, International Journal of Geoinformatics, 18, 37-53.
    10.
  10. Delfan E, Naqvi H, Malik Nia R, Nouraldini S.A, 2017. Investigating the effectiveness of Sentinel 2 satellite images and non-parametric classification methods in preparing land use maps, the first national conference on applied research in science and engineering, Mashhad, Iran. (In Persian)
    11.
  11. Akhwan Fomenis, S. Dost M., 1398. Investigating the effectiveness of Sentinel 2 satellite images in the preparation of land use maps, the 5th international conference on agricultural and environmental engineering with a sustainable development approach, Shiraz, Iran. (In Persian)
    12.
  12. Ghodsi, Z., Kheirkhah Zarkesh, M. M., Ghermezcheshmeh, B. (2021). 'Comparison of Accuracy Between Support Vector Machine and Random Forest Classifiers for Land Use and Crop Mapping Using Multi-Temporal Sentinel-2 Images', Iranian Journal of Remote Sensing & GIS, 12(4), pp. 73-92. doi: 10.52547/gisj.12.4. (In Persian)
    13.
  13. Mousavi Seyedi, S. R., & Miri, S. M. R. (2022). Numerical Simulation of the Performance and Emission of a Diesel Engine with Diesel-biodiesel Mixtures. Journal of Agricultural Machinery, 12(4), 559-574. (In Persian)
    14.
  14. Rouse, J.W., Haas, R.H., Schell, J.A. and Deering, D.W. (1973) Monitoring Vegetation Systems in the Great Plains with ERTS (Earth Resources Technology Satellite). Proceedings of 3rd Earth Resources Technology Satellite Symposium, Greenbelt, 10-14 December, SP-351, 309-317.
    15.
  15. S Haydari, A.R Salehi, Z Azizi, S Firoozinezhad, 2010. The pattern of stands Persian oak decline using time series Landsat satellite images (Case Study Basht forest of Iran), Lebanese Scientific Journal, 19(1): 67-73.
    16.
  16. Snevajs H, Charvat K, Onckelet V, Kvapil J, Zadrazil F, Kubickova H, Seidlova J, Batrlova I. Crop Detection Using Time Series of Sentinel-2 and Sentinel-1 and Existing Land Parcel Information Systems. Remote Sensing. 2022; 14(5):1095. https://doi.org/10.3390/rs14051095
    17.
  17. Z Azizi, A Najafi, P Fatehi, M Pirbavaghar, 2010. Forest stand volume estimation using satellite IRS_P6 (LISS_IV) data (Case study: Lirehsar, Tonekabon), Iranian Journal of Forest and Poplar Research,18(1): 151-143. (In Persian)
    18.
  18. M Mafi, Z Azizi, P Karimi, P Alemi Safaval, 2021. Investigating the trend of water level changes in Allahabad wetland by using temporal images, Iranian journal of Ecohydrology, 8(2): 321-329. (In Persian)
    19.
  19. Kobayashi, N.; Tani, H.; Wang, X.; Sonobe, R. Crop classification using spectral indices derived from Sentinel-2A imagery. J. Inf. Telecommun. 2020, 4, 67–90.
    20.
  20. Xu, L.; Zhang, H.; Wang, C.; Zhang, B.; Liu, M. Crop Classification Based on Temporal Information Using Sentinel-1 SAR Time-Series Data. Remote Sens. 2018, 11, 53. 
    21.

 

 

 

سند

Sanad is a platform for managing Azad University publications

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية

حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1445

الصفحة الرئيسية| دخول| معلومات عنا| اتصل بنا|
[English] [فارسی] [en] [fa]