ارزیابی قابلیت طبقهبندی نظارت شده تصاویر ماهوارهای لندست-8 و سنتینل-A2 در تعیین محدوده و سطح زیر کشت ارقام پسته
الموضوعات :هادی زارع خورمیزی 1 , حمیدرضا غفاریان مالمیری 2 , مراد مرتاض 3
1 - دانشجوی دکتری علوم و مهندسی مرتع، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
2 - استادیار گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، ایران
3 - دانش آموخته کارشناسی ارشد باغبانی و زراعت، دانشکده علوم گیاهی، دانشگاه کالیفرنیا، دیویس، کالیفرنیا
الکلمات المفتاحية: ارقام پسته, سنجش از دور, ضریب کاپا, طبقهبندی نظارت شده, طبقه بندی الگوریتم حداکثر تشابه,
ملخص المقالة :
فن آوری سنجش از دور یکی از ابزارهای کارآمد برای پایش، مطالعه و تعیین سطح زیر کشت محصولات کشاورزی و باغی بویژه در سطوح وسیع می باشد. برنامه ریزان، مجریان و کشاورزان با آگاهی از نوع رقم و سطح زیر کشت محصولات کشاورزی می توانند سیاست های مدیریتی و اجرایی مناسبی اتخاذ نمایند. هدف از پژوهش حاضر ارزیابی قابلیت طبقه بندی نظارت شده تصاویر ماهواره ای چند باندی لندست-8 و سنتینل-A2 در تعیین محدوده، سطح زیر کشت و نوع رقم چهار نوع پسته اکبری، کله قوچی، احمد آقایی و فندوقی در یک مزرعه مطالعاتی در استان یزد می باشد. دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه و همچنین بهترین زمان در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج، الگوریتم حداکثر تشابه در طبقه بندی تصویری در تاریخ 22 خرداد 1397 ماهواره لندست-8 با دقت نهایی و ضریب کاپای به ترتیب 76.8 درصد و 0.67 از بالاترین دقت و الگوریتم طبقه بندی متوازی السطوح به ترتیب با دقت نهایی و ضریب کاپای 7/64 و 47/0 از کمترین دقت برخوردار بود. همچنین بر اساس نتایج، بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد می باشد. به طوری که ضریب کاپای طبقه بندی با الگوریتم حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست، 0.67 و به ترتیب در تاریخ های 23 تیر، 24 مرداد و 25 شهریور 0.64، 0.63 و 0.63 بدست آمد. دقت نهایی و ضریب کاپای طبقه بندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینل-A2 به ترتیب 80 درصد و 0.71 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقه بندی شده سنتیل-A2 میزان دقت نهایی و ضریب کاپا به ترتیب به 82.6 و 0.75 افزایش یافت. دقت نهایی و ضریب کاپای طبقه بندی و تفکیک ارقام پسته در تصاویر سنتینل-A2 نسبت به تصاویر لندست 8 بالاتر بود. در مجموع بر اساس نتایج، تکینک های طبقه بندی سنجش از دور و نیز تصاویر ماهواره ای چند باندی، از قابلیت مناسبی برای نقشه برداری کشاورزی و باغی برخوردار می باشند.
_||_
ارزیابی قابلیت طبقهبندی نظارت شده تصاویر ماهوارهای لندست 8 و سنتینل A2 در تعیین محدوده و سطح زیر کشت ارقام پسته
چکیده
فنآوري سنجش از دور یکی از ابزارهاي کارآمد براي پایش، مطالعه و تعیین سطح زیر کشت محصولات کشاورزي و باغی بویژه در سطوح وسیع میباشد. برنامهریزان، مجریان و کشاورزان با آگاهی از نوع رقم و سطح زیر کشت محصولات کشاورزی میتوانند سیاستهاي مدیریتی و اجرایی مناسبی اتخاذ نمایند. تعیین نوع رقم در محصولات کشاورزی معمولا با استفاده از تصاویر ماهوارهای ابر طیفی صورت میگیرد. هدف از پژوهش حاضر ارزیابی قابلیت طبقهبندی نظارت شده تصاویر ماهوارهای چند باندی لندست 8 و سنتینل A2 در تعیین محدوده، سطح زیر کشت و نوع رقم چهار نوع پسته اکبری، کله قوچی، احمد آقایی و فندوقی در یک مزرعه مطالعاتی در استان یزد میباشد. در پژوهش حاضر دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه و همچنین بهترین زمان در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج، الگوریتم حداکثر تشابه در طبقهبندی تصویری در تاریخ 22 خرداد 1397 ماهواره لندست 8 با دقت نهایی و ضریب کاپای به ترتیب 8/76 درصد و 67/0 از بالاترین دقت و الگوریتم طبقهبندی متوازی السطوح به ترتیب با دقت نهایی و ضریب کاپای 7/64 و 47/0 از کمترین دقت برخوردار بود. همچنین بر اساس نتایج، بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد میباشد. به طوری که ضریب کاپای طبقهبندی با الگوریتم حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست، 67/0 و به ترتیب در تاریخهای 23 تیر، 24 مرداد و 25 شهریور 64/0، 63/0 و 63/0 بدست آمد. دقت نهایی و ضریب کاپای طبقهبندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینل A2 به ترتیب 80 درصد و 71/0 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقهبندی شده سنتیل A2 میزان دقت نهایی و ضریب کاپا به ترتیب به 6/82 و 75/0 افزایش یافت. دقت نهایی و ضریب کاپای طبقهبندی و تفکیک ارقام پسته در تصاویر سنتینل A2 نسبت به تصاویر لندست 8 بالاتر بود. در مجموع بر اساس نتایج، تکینکهای طبقهبندی سنجش از دور و نیز تصاویر ماهوارهای چند باندی، از قابلیت مناسبی برای نقشهبرداری کشاورزی و باغی برخوردار میباشند.
کلمات کلیدی: طبقهبندی نظارت شده، حداکثر تشابه، ارقام پسته، ضریب کاپا، سنجش از دور
مقدمه
تکنیکهای سنجش از دور و پردازش تصاویر ماهوارهای، یکی از روشهای بسیار کارآمد در مطالعات مربوط به کشاورزی دقیق، مانند تعیین نوع ارقام و سطح زیر کشت محصولات کشاورزي و باغی بویژه در سطوح وسیع میباشد. مدیران در سطوح مختلف با آگاهی از سطح زیر کشت محصولات کشاورزی، قادر خواهند بود تا تصمیمگیریهای صحیحتری اعمال نمایند (10، 23 و 24). امروزه استفاده از تکنولوژی سنجش از دور به طور گسترده به منظور نقشهبرداری کشاورزی، باغی و برنامههای کاربردی کشاورزی نظیر شناسایی محصول گسترش یافته است. این مهم بدلیل قابلیت پوشش وسیعتر، ارزانتر و سریعتر بودن سنجش از دور نسبت به روشهای سنتی نقشهبرداری و اندازهگیری میدانی است (21، 28 و 32). با این حال در زمینه طبقهبندی و تفکیک محصولات کشاورزی و باغی مختلف چندین محدودیت وجود دارد (33 و 36). اولین مشکل شباهت منحنی رفتار طیفی، شکل و بافت بین محصولات مختلف بویژه بین ارقام و گونههای مختلف یک جنس در تصاویر چند طیفی، دوم کاهش دقت طبقهبندیهای صورت گرفته به علت وجود کلاسهای ناهمگون در بین بافت همگن (بافت فلفل نمکی ایجاد شده: Salt and pepper pattern) و سومین محدودیت وجود پیکسل های ناخالص (Mixed pixel) بدلیل قدرت تفکیک مکانی کم در پیسکلهای تصویر میباشد که در این حالت بازتاب طیفی یک پیکسل مجموعی از بازتاب عناصر آن پیکسل میباشد.
بیشتر سنجندههای چند طیفی دارای 3 تا 10 باند طیفی در محدوده مرئی و مادون قرمز طیف الکترومغناطیس هستند (31). این سنجندها امکان تفکیک و تبعیض انواع مختلف پوشش گیاهی، سنگها، خاک، آب روشن و کثیف و مواد ساخته شده بشری را میدهند (31). بر همین اساس، از جمله كاربردهاي وسیع در طبقهبندی دادههاي سنجش از دور تهيه نقشههاي كاربري و پوششي اراضی است (29). در این زمینه پژوهشهای زیادی به طور موفقیت آمیز دادههای سنجندههای چند طیفی را در تهیه نقشه پوشش و کابری اراضی و همچنین بررسی تغییرات آنها مورد استفاده قرار دادهاند (4، 7، 8، 13 و 14). همچنین تکنیکهای طبقهبندی تصاویر ماهوارهای در تعیین سطح زیر کشت محصولات مختلف کشاورزی مورد استفاده قرار گرفته است. در پژوهشی قابلیت تصاوير ماهوارهاي لندست 8 در تخمين سطح زير كشت زعفران در شهرستان تربت حیدریه بررسی شد. در این پژوهش نشان داده شد تصاویر ماهوارهای لندست 8 از قابلیت بالایی برای تفکیک سریع اراضی زعفران برخوردار هستند، به طوری که ضریب کاپا و دقت کلی به ترتیب 88 و 98 درصد محاسبه شد (12). در مطالعهای دیگر از تصاویر ماهوارهای ETM+ برای تعیین سطح زیر کشت محصولات مختلف نیز گندم، جو، گوجه فرنگی، ذرت علوفهای، یونجههای یکساله و چند ساله و خربزه استفاده شد. در این مطالعه ضریب کاپا و دقت کلی براي روش حداکثر احتمال به ترتیب 82 و 85 و برای شبکه عصبی مصنوعی 84 و 87 درصد برآورد شد (10). در پژوهشی دیگر نیز نشان داده شد روش ماشین بردار پشتیبان (Support Vector Machine) با ضریب کاپای 8/0 نسبت به شبکه عصبی مصنوعی برای برآورد تغییرات سطح زیرکشت گندم و سویا در غرب استان گلستان موفقتر است (9).
تیپهای گیاهی مختلف جنگلی و مرتعی نیز با توجه به حضور گونههای گیاهی مختلف با ترکیبهای متفاوت، دارای بازتابهای طیفی منحصر به منفرد میباشند. قابلیت تصاویر چند طیفی سنجندهای مختلف در زمینه تفکیک و تهیه نقشه تیپهای پوشش گیاهی در پژوهشهایی مورد بررسی قرار گرفته اند. در مطالعهای دادههای ETM+ و LISS III برای تهیه نقشه تیپ در جنگلهای زاگرس مورد استفاده قرار گرفت. نتایج این مطالعه کارایی بهتر الگوریتم حداکثر تشابه نسبت به الگوریتم متوازی السطوح (Parallelepiped) و کمترین فاصله از میانگین را نشان داد (3). در مطالعهای دیگر روشهاي طبقهبندي پيكسل پايه، شئ پايه و درخت تصميمگیری در تهيه نقشه تيپهاي جنگل آستارا با استفاده از تصاویر SPOT5 مورد بررسی قرار گرفت. در این روش بالاترین میزان دقت کلی و ضریب کاپا به ترتیب با میزان 5/76 درصد و 7/0 با استفاده از روش درخت تصمیمگیری بدست آمد (11). در پژوهشی دیگر نیز ميزان كارآيي سه روش رايج طبقهبندي نظارتشده ماهوارهاي در تشخيص گروههاي گياهي منطقه حفاظت شده گلول و سراني استان خراسان شمالي مورد بررسی قرار گرفت. نتایج این مطالعه کارایی بهتر الگوریتم حداکثر تشابه در طبقهبندی دادههای ماهوارهای ETM+ و LISS III نسبت به الگوریتم متوازی سطوح و کمترین فاصله از میانگین را نشان داد (1).
سنجندههای چند طیفی اطلاعات را در تعداد کمتر از 20 باند طیفی در محدودههای مرئی، مادون قرمز نزدیک، مادون قرمز طول موج کوتاه و مادون قرمز حرارتی که اغلب هم به طور پیوسته نیست، ثبت میکنند. بنابراین این سنجندهها قادر به تفکیک و تشخیص خیلی دقیق مواد مشابه از لحاظ طیفی نیستند (31). یک ماده ممکن است خواص طیفی متمایز را در محدودههای خاص و باریکی از طول موج بطور مجزا نشان دهد و آن را از مواد دیگر تنها در تصاویر ثبت شده در آن دامنه طول موج قابل تشخیص کند. بنابراین یک اسکنر چند طیفی ممکن است این محدوده طیفی را پوشش ندهد (31). در مقابل سنجندههای ابر طیفی قادر به ثبت اطلاعات بازتابی در تعداد بسیار زیاد باندهای باریک و پیوسته در محدودههای مرئی، مادون قرمز نزدیک و مادون طول موج کوتاه طیف الکترومغناطیس هستند (30). بنابراین به طور کلی سنجندههای ابر طیفی قادر به تفکیک دقیقتر پدیدهها در الگوریتمهای طبقهبندی هستند (32) و در زمینه تفکیک ارقام یک گونه در مطالعات از آنها استفاده شده است. با این حال این سنجندهها مانند سنجنده ابر طیفی هایپریون (Hyperion) اغلب دارای پوشش جهانی نیستند و دسترسی به دادههای آنها و یا تهیه دادههای ابر طیفی عموما نسبت به دادههای سنجندههای چند طیفی هزینه بر است. در پژوهشی با استفاده از تصاویر ابر طیفی سنجنده هایپریون پنج رقم مختلف برنج در میان 16 کلاس پوشش زمین با استفاده از روش طبقهبندی نظارت شده نقشه بردار زاویه طیفی (Spectral Angle Mapper) با دقت نهایی 96/86 درصد تفکیک و طبقهبندی شد (32). در پژوهشی دیگر پنج رقم سویا با استفاده از تصاویر ابر طیفی سنجنده هایپریون و شبیهسازی محدودههای طیفی هفت سنجنده چند طیفی با استفاده از اطلاعات سنجنده هایپریون طبقهبندی شد. بر اساس نتایج این مطالعه، الگوریتم حداکثر تشابه با دقت نهایی 80/89 درصد نسبت به الگوریتمهای نقشهبردار زاویه طیفی، ماشین بردار پشتیبان و واگرایی اطلاعات طیفی (Spectral Information Divergence) دارای عملکرد بهتری میباشد. همچنین با کاربرد الگوریتم حداکثر تشابه بر دادههای شبیهسازی شده، سنجندههای MODIS و ETM+ به ترتیب دقت نهایی 7/86 و 9/85 درصد را نشان دادند و سنجنده AVHRR کمترین دقت را نشان داد (15). در پژوهشی دیگر با استفاده از دادههای ابر طیفی هایپریون سه رقم متفاوت از هر کدام از گونههای برنج، نیشکر، فلفل و پنبه طبقهبندی شد. در این مطالعه دقت نهایی طبقهبندی با استفاده از دادههای سنجنده هایپریون 8/88 درصد بدست آمد (27).
ايران به همراه كشورهاي حوزه درياي مديترانه به عنوان يكي از زيستگاههاي اصلي پسته (Pistacia vera L.) در دنيا شناخته شده است (6). این گیاه نقش مهمی در اقتصاد کشورهای خشک و نیمه خشک همچون ایران، ترکیه و سوریه دارد (25). طوری که ایران همواره به عنوان بزرگترین صادر کننده محصول پسته در جهان مطرح میباشد (17). پسته دارای ارقام بسیار متعددی (بیش از 70 رقم) میباشد که همراه تعیین سطح زیر کشت هر کدام از ارقام و تهیه نقشههای ارزان قابل اعتماد این گیاه با ارزش از اهمیت خاصی برخوردار است و میتواند در برنامههای مدیریتی دارای نقش مهمی باشد.
هدف از پژوهش حاضر ارزیابی قابلیت طبقهبندی نظارت شده تصاویر ماهوارهای چند طیفی لندست 8 و سنتینل A2 در تعیین محدوده و سطح زیر کشت ارقام پسته در سطح یک مزرعه مطالعاتی میباشد. نتایج پژوهش حاضر میتواند در سطوح کوچک در تهیه نقشههای ارقام مختلف پسته و سیاستهای مدیریتی در سطوح کوچک نظیر مزرعه یا یک منطقه مفید باشد و همچنین در سطوح کلان نظیر استان یا کشور نیز میتواند با واسطه تخمین سطح زیر کشت پسته و حتی ارقام مختلف پسته در برنامهریزیها و سیاستهای مدیریتی کاربرد داشته باشد.
مواد و روشها
معرفی منطقه مورد مطالعه
مزرعه مطالعاتی در پژوهش حاضر در استان یزد و در 20 کیلومتری جنوب دهستان دهشیر واقع شده است. این مزرعه در عرض جغرافیایی ˝15´15°31 و طول جغرافیایی ˝23´43°53 از نصف النهار مبدا قرار گرفته است. وسعت کل مزرعه مورد مطالعه 5/477 هکتار میباشد. 4 رقم پسته شامل ارقام کله قوچی، احمدآقایی، فندوقی و اکبری در مزرعه مورد تحقیق وجود دارند. شکل 1 موقعیت منطقه مورد مطالعه را در سطح ایران و استان یزد، به همراه یک تصویر رنگی کاذب نشان میدهد.
شکل 1- موقعیت منطقه مورد مطالعه در سطح ایران و استان یزد
دادههای ماهوارهای
در پژوهش حاضر از دادههای ماهواره لندست 8 و سنتیل A2 به منظور طبقهبندی ارقام مختلف پسته استفاده شد. لندست 8 دو سنجنده به نامهای OLI (Operational Land Imager) و TIRS (Thermal Infrared Sensor) را حمل میکند. سنجنده OLI با قدرت تفکیک مکانی 30 متر دارای 8 باند در محدودههای طیفی مرئی، مادون قرمز نزدیک، مادون قرمز طول موج کوتاه و یک باند پانکروماتیک با قدرت تفکیک مکانی 15 متر است. سنجنده TIRS به کمک دو باند در پنجرههای جوی 6/10 تا 2/11 میکرومتر برای باند 10 و 5/11 تا 5/12 میکرومتر برای باند 11 قادر به ثبت تابشهای مادون قرمز حرارتی با قدرت تفکیک مکانی 100 متر میباشد (18 و 35). در پژوهش حاضر از باندهای 1 تا 7 ماهواره لندست 8 پس از انجام تصحیحات هندسی، اتمسفری و رادیومتری استفاده شد. به دلیل تشابه طیفی بین ارقام مختلف پسته نمیتوان از تصویر یک تاریخ براي تفکیک ارقام مختلف پسته استفاده کرد. بنابراین برای تعیین بهترین زمان برای تفکیک ارقام پسته تصاویر چهار تاریخ 22 خرداد، 23 تیر، 24 مرداد و 25 شهریور سال 1397 مورد استفاده قرار گرفت.
سنتینل 2 از جدیدترین ماهوارههای تصویربرداری چند طیفی به شمار میرود. بر روی این ماهواره سنجنده MSI (Multi Spectral Instrument) قرار گرفته است که اطلاعات را در 13 باند طیفی در محدودههای مرئی، مادون قرمز نزدیک و مادون قرمز طول موج کوتاه با قدرت تفکیک مکانی 10، 20 و 60 متر و قدرت تفکیک زمانی 5 روز برداشت میکند (26). تصحیحات اتمسفری بر روی تصاویر سنتینل A2 در محیط نرم افزار SNAP انجام شد. به جز باندهای شماره 1، 9 و 10 از سایر باندهای سنجنده سنتینل A2 به منظور طبقه ارقام پسته استفاده شد و اندازه پیکسلهای 20 متری به 10 متری تقلیل یافت. در پژوهش حاضر در ابتدا بهترین زمان و الگوریتم برای طبقه بندی ارقام پسته با استفاده از تصاویر ماهواره لندست 8 مشخص شد و در مرحله بعد با توجه به بهترین زمان و الگوریتم طبقه بندی، ارقام پسته با استفاده از تصویر ماهواره سنتینل A2 طبقه بندی شدند.
تهیه نقشه واقعیت زمینی
برای تعیین دقت و صحت نتایج طبقهبندی به نقشه واقعیت زمینی نیاز است. در پژوهش حاضر در ابتدا با استفاده از نرم افزار گوگل ارث نقشه قطعات مختلف کشت درختان پسته تهیه شده و سپس با توجه به اینکه در هر کدام از قطعات کشت تنها یک یا دو رقم پسته حضور داشت با استفاده از نمونهبرداری میدانی و GPS نوع رقم پسته در هر کدام هر از قطعات کشت تعیین شد و در نهایت نقشه واقعیت زمینی ارقام پسته در مزرعه مورد مطالعه تهیه شد. شکل 2 نقشه قطعات کشت و نوع رقم پسته در هر کدام از قطعات را نشان میدهد.
شکل 2 - نقشه قطعات کشت و نوع رقم پسته در هر کدام از قطعات
روشهای طبقه بندی تصاویر
در پژوهش حاضر به منظور تفکیک ارقام مختلف پسته از طبقهبندی نظارت شده با استفاده از چهار روش متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس (Mahalanobis Distance) و حداکثر تشابه استفاده شد. در ادامه به طور مختصر الگوریتمهای طبقهبندی مورد استفاده معرفی میشوند.
1- روش متوازي السطوح
در این روش ابتدا با توجه به دامنه طیفی طبقات نمونه که بر روي تصویر انتخاب شده است واریانس ارزشهاي طیفی محاسبه میشود و سپس با استفاده از حداقل و حداکثر ارزش طیفی طبقات نمونه در باندهاي مختلف چهار ضلعیهایی ایجاد میگردد که به آنها اصطلاحاً شبکههاي موازي گفته میشود. پس از ایجاد شبکههاي موازي پیکسلهاي تصویر بسته به اینکه در کدام یک از چهار ضلعیها قرار گیرند طبقهبندي و به گروههاي منطبق با مناطق نمونه تفکیک میشوند (1).
2- روش کمترین فاصله
در این روش پیکسل مجهول به کلاسی واگذار میشود که بردار میانگین آن به کلاس مورد نظر نزدیکترین فاصله اقلیدوسی را داشته باشد (2).
3- روش فاصله ماهالانوبیس
فاصله ماهالانوبیس طبقهبندی دیگری نظیر روش کمترین فاصله میباشد. در این روش، اساس باز هم شبیه روش کمترین فاصله میباشد اما نه کمترین فاصله اقلیدوسی بلکه از کمترین فاصله ماهالانوبیس استفاده میکند (2).
4-روش حداکثر تشابه
در این روش که از سایر روشهاي موجود براي طبقهبندي دقیقتر است میزان کمی واریانس و همبستگی ارزشهاي طیفی باندهاي مختلف براي مناطق نمونه محاسبه میشود و از همین خاصیت براي ارتباط یک پیکسل طبقهبندي نشده به یکی از گروهها یا نمونههاي طیفی نیز استفاده میشود. به بیان دیگر براي بررسی نحوه توزیع ارزشهاي طیفی و احتمال آماري ارتباط یک پیکسل با یکی از گروههاي نمونه از ماتریکس واریانس و بردار میانگین که خود واریانس و همبستگی ارزشهاي طیفی را تعریف میکنند، استفاده میشود. با استفاده از عامل شدت احتمال، هر یک از پیکسلهاي تصویر پس از آزمون آماري و محاسبه احتمال تعلق آنها به گروههاي طیفی نمونه، به گروه مربوطه تعلق میگیرد (1).
جدول 1 مشخصات نمونههای تعلیمی مورد استفاده برای تفکیک ارقام مختلف پسته را نشان میدهد. نمونههای تعلیمی با توجه به نقشه واقعیت زمینی (شکل ۲) و با مد نظر قرار دادن میزان پراکنش مکانی مناسب در سطح مزرعه در نظر گرفته شدند. در مجموع با استفاده از 114 نمونه تعلیمی با مساحت کل 8/4 هکتار اقدام به طبقهبندی نظارت شده با روشهای مختلف نام برده شد. به عنوان مثال در نمونههای تعلیمی برای رقم کله قوچی از 24 نقطه یا ناحیه با پراکنش مناسب در قطعات کشت رقم کله قوچی استفاده شد که در مجموع کل این نقاط 100 پیکسل تصویر را شامل میشود (در هر نقطه چهار پیکسل انتخاب شد). با توجه به سطح مزرعه تنها یک درصد مساحت آن به نام نمونه تعلیمی انتخاب شده است. پس از ایجاد نمونههای تعلیمی در ابتدا بر روی تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 بهترین الگوریتم طبقهبندی از میان چهار روش متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و حداکثر تشابه انتخاب شد. سپس با توجه به بهترین الگوریتم طبقهبندی بدست آمده در مرحله اول، بهترین زمان برای تفکیک ارقام پسته با استفاده از تصاویر تاریخهای 23 تیر، 24 مرداد، 25 شهریور علاوه بر تاریخ 22 خرداد سال 1397 که در مرحله اول مشخص شده بود، بدست آمد. در مرحله بعد همان طور که گفته شد، با توجه به بهترین زمان و الگوریتم طبقه بندی، ارقام پسته با استفاده از تصویر ماهواره سنتینل A2 طبقه بندی شدند. پس از طبقه بندی ارقام پسته، با توجه به اینکه الگوی کشت در قطعات کشت منظم است به منظور حذف بافت فلفل نمکی ایجاد شده، از فیلتر میانه 3 در 3 برای بهبود کیفیت نقشههای تهیه شده استفاده شد.
جدول 1 - مشخصات نمونههای تعلیمی به منظور تفکیک ارقام مختلف پسته
نام نمونه تعلیمی | تعداد پیکسل با اندازه 10 ×10 متر | تعداد ناحیه | میزان مساحت (هکتار) |
کله قوچی | 100 | 24 | 1 |
اکبری | 200 | 50 | 2 |
فندوقی | 47 | 12 | 47/0 |
احمد آقایی | 36 | 9 | 36/0 |
کله قوچی و فندوقی | 28 | 7 | 28/0 |
بدون پوشش و جاده | 75 | 12 | 75/0 |
جمع | 486 | 114 | 86/4 |
اعتبار سنجی و ارزیابی صحت
برای ارزیابی دقت و صحت نقشههای طبقهبندی شده به روشهای مختلف، از ماتریس خطا استفاده شد. پارامترهای دقت کلی (Overall Accuracy)، ضریب کاپا (Kappa coeffcient)، دقت تولید کننده (Produser Accuracy)، دقت کاربر (User Accuracy)، خطای اضافه (Commission) و خطای حذف (Omission) به منظور ازریابی نتایج مورد استفاده قرار گرفت. دقت کلی از نسبت تعداد پیکسلهاي درست طبقهبندي شده به کل پیکسلهاي طبقهبندي شده در تمامی طبقات بدست می آید. دقت کلی با توجه به رابطه 1 قابل محاسبه میباشد.
]1[ 
در این رابطه OA دقت کل، Ʃ Pii جمع عناصر قطر اصلی ماتریس خطا و N تعداد کل پیکسلهای آموزشی است. به دلیل ایرادات وارده بر دقت کلی در کارهای اجرایی، از ضریب کاپا هم به منظور تعیین دقت طبقهبندی استفاده میشود. زیرا در این شاخص پیکسلهای نادرست طبقهبندی شده نیز در نظر گرفته میشود. ضریب کاپا با توجه به رابطه 2 محاسبه میشود.
]2[ 
در این رابطه، po درستی مشاهده و pc توافق مورد انتظار است.
دقت تولید کننده احتمال اینکه تولید کننده پیکسلی را به کلاس خاص نسبت داده باشد درصورتی که کلاس واقعی آن مشخص باشد را بیان میکند و در ماتریس خطا نسبت پیکسلهاي صحیح به مجموع پیکسلهاي یک ستون است. دقت کاربر احتمال طبقهبندي یک کلاس خاص در نقشه مطابق با همان کلاس در زمین است و در ماتریس خطا نسبت پیکسلهاي صحیح به مجموع پیکسلهاي یک سطر است. خطای اضافه درصدي از پیکسلها که متعلق به کلاس مورد نظر نیستند ولی در آن کلاس قرار گرفتهاند و خطای حذف درصدي از پیکسلها که در واقعیت متعلق به کلاس مورد نظر هستند ولی به اشتباه در کلاس دیگر قرار گرفتهاند (22).
نتایج
بهترین الگوریتم برای تفکیک ارقام پسته
نتایج طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از چهار روش متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 در شکل 3 نشان داده شده است. با توجه به شکل 3 و همچنین نقشه واقعیت زمینی (شکل 2) روش حداکثر تشابه نسبت به سایر روشها دارای عملکرد مطلوبتری میباشد. جدول 2 ماتریس خطای روشهای مختلف طبقهبندی نظارت شده ارقام پسته در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 را نشان میدهد. با توجه به جدول 2 روش متوازی السطوح با ضریب کاپای 46/0 و دقت کلی 7/64 درصد دارای کمترین دقت و روش حداکثر تشابه با ضریب کاپای 67/0 و دقت کلی 8/76 درصد از بالاترین دقت برای تفکیک ارقام مختلف پسته در مزرعه مورد مطالعه برخوردار بود. در روش حداکثر تشابه نیز ارقام پسته کله قوچی و اکبری نسبت به سایر ارقام از دقت تولید و دقت کاربر بالاتری برخوردار بودند.
شکل 3- نتایج طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از چهار روش متوازی السطوح، کمترین فاصله، فاصله مالاهانوبیس و حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8
جدول 2- ماتریس خطای روشهای مختلف طبقهبندی نظارت شده ارقام پسته در تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8
الگوریتم | نام رقم | دقت تولید (درصد) | دقت کاربر (درصد) | خطای اضافه (درصد) | خطای حذف (درصد) | دقت نهایی (درصد) | ضریب کاپا |
متوازی السطوح | احمد آقایی | 26/15 | 89/6 | 11/93 | 74/84 |
7/64
|
47/0
|
کله قوچی | 15/1 | 5/62 | 5/37 | 85/98 | |||
اکبری | 92/23 | 39/45 | 61/54 | 08/76 | |||
فندوقی | 88/3 | 78/14 | 22/85 | 12/96 | |||
کله قوچی و فندوقی | 39/18 | 32/28 | 68/71 | 61/81 | |||
مسیر و بدون پوشش | 18/72 | 37/49 | 63/50 | 82/27 | |||
کمترین فاصله | احمد آقایی | 86/67 | 27/11 | 73/88 | 14/32 |
0/65 |
52/0 |
کله قوچی | 99/20 | 17/54 | 83/45 | 01/79 | |||
اکبری | 99/9 | 76/40 | 24/59 | 01/90 | |||
فندوقی | 92/21 | 91/11 | 09/88 | 08/78 | |||
کله قوچی و فندوقی | 95/41 | 22/20 | 78/79 | 05/58 | |||
مسیر و بدون پوشش | 52/62 | 41/70 | 59/29 | 48/37 | |||
فاصله ماهالانوبیس | احمد آقایی | 51/68 | 69/18 | 31/81 | 49/31 |
5/70 |
58/0 |
کله قوچی | 95/31 | 85/35 | 15/61 | 05/68 | |||
اکبری | 6/39 | 68/55 | 32/44 | 4/69 | |||
فندوقی | 97/23 | 25/14 | 75/85 | 03/76 | |||
کله قوچی و فندوقی | 22/44 | 52/28 | 48/71 | 75/55 | |||
مسیر و بدون پوشش | 43/56 | 44/83 | 56/16 | 57/43 | |||
حداکثر تشابه | احمد آقایی | 25 | 28/26 | 72/73 | 75 |
8/76
|
67/0 |
کله قوچی | 98/59 | 29/50 | 71/49 | 02/40 | |||
اکبری | 11/61 | 29/60 | 71/39 | 89/38 | |||
فندوقی | 81/38 | 48/28 | 52/71 | 19/61 | |||
کله قوچی و فندوقی | 86/25 | 18/40 | 82/59 | 14/74 | |||
مسیر و بدون پوشش | 2/63 | 63/75 | 37/24 | 80/36 |
بهترین زمان برای تفکیک ارقام پسته
نتایج طبقهبندی تصویر تاریخ 22 خرداد 1397نشان داد، روش طبقهبندی حداکثر تشابه نسبت به سایر روشها از دقت بالاتری برخوردار بود. در این مرحله تصاویر تاریخهای 23 تیر، 24 مرداد و 25 شهریور سال 1397 ماهواره لندست 8 نیز با روش حداکثر تشابه طبقهبندی شدند تا بهترین زمان برای تفکیک و طبقهبندی ارقام پسته بدست آید. شکل 4 نتایج طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه و همچنین ماتریس خطا طبقهبندی نظارت شده (جدول 3) هر کدام از تصاویر را نشان میدهند. با توجه به شکل 4 و جدول 3 دقت و صحت طبقهبندی در تاریخ های 23 تیر، 24 مرداد و 25 شهریور نسبت به تاریخ 22 خرداد سال 1397 کاهش یافته است. به طوری که با توجه به جدول 2 ضریب کاپای طبقهبندی با روش حداکثر تشابه در تاریخ 22 خرداد، 67/0 بدست آمد و در صورتی که با توجه به جدول 3 در تاریخهای 23 تیر، 24 مرداد و 25 شهریور میزان ضریب کاپای طبقهبندی با روش حداکثر تشابه به ترتیب 64/0، 63/0 و 63/0 بدست آمد.
شکل 4- نتایج طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصاویر تاریخهای 23 تیر، 24 مرداد و 25 شهریور سال 1397 ماهواره لندست 8
جدول 3- ماتریس خطای طبقهبندی نظارت شده ارقام پسته با استفاده از روش حداکثر تشابه در تصاویر تاریخهای 22 خرداد، 23 تیر، 24 مرداد و 25 شهریور سال 1397 ماهواره لندست 8
تاریخ تصویر | نام رقم | دقت تولید (درصد) | دقت کاربر (درصد) | خطای اضافه (درصد) | خطای حذف (درصد) | دقت نهایی (درصد) | ضریب کاپا |
23/4/ 1397 | احمد آقایی | 44/33 | 92/36 | 08/63 | 56/66 |
7/74 |
64/0 |
کله قوچی | 37/46 | 61/36 | 39/63 | 63/53 | |||
اکبری | 93/55 | 7/54 | 3/45 | 07/44 | |||
فندوقی | 94/26 | 73/30 | 27/69 | 06/73 | |||
کله قوچی و فندوقی | 43/49 | 67/28 | 33/71 | 57/50 | |||
مسیر و بدون پوشش | 85/61 | 31/76 | 69/23 | 15/38 | |||
24/5/ 1397 | احمد آقایی | 04/36 | 68/48 | 32/51 | 96/63 |
6/74 |
63/0 |
کله قوچی | 87/47 | 62/29 | 38/70 | 13/52 | |||
اکبری | 49/55 | 79/56 | 21/43 | 51/44 | |||
فندوقی | 78/20 | 38/31 | 62/68 | 22/79 | |||
کله قوچی و فندوقی | 06/35 | 5/41 | 5/58 | 94/64 | |||
مسیر و بدون پوشش | 57/63 | 05/74 | 95/25 | 43/36 | |||
25/6/ 1397 | احمد آقایی | 31/38 | 69/38 | 31/61 | 69/61 |
3/74 |
63/0 |
کله قوچی | 75/44 | 41/35 | 86/64 | 25/55 | |||
اکبری | 85/53 | 87/52 | 13/47 | 15/46 | |||
فندوقی | 14/30 | 24/25 | 76/74 | 86/69 | |||
کله قوچی و فندوقی | 63/35 | 69/47 | 31/52 | 37/64 | |||
مسیر و بدون پوشش | 28/62 | 49/76 | 51/23 | 72/37 |
با توجه به نتایج بهترین دقت و زمان طبقهبندی ارقام پسته با استفاده از تصاویر لندست 8 از طریق الگوریتم حداکثر تشابه و در تاریخ 22 خرداد سال 1397 بدست آمد. اما با توجه به وجود پیکسلهای مخلوط شده طیفی و خطاهای ناشی از آنها در نتایج حاصله تعدادی از پیکسلها به درستی انتخاب نشده اند. به منظور ارتقای کیفیت نقشه طبقهبندی شده، از فیلتر میانه با پنجره 3 × 3 استفاده شد. زیرا با توجه به الگوی کشت منظم در مزرعه، پیکسلهایی که مابین سایر پیکسلها به اشتباه طبقهبندی شدهاند را میتوان حذف نمود و به کلاس صحیح مرتبط نمود. شکل 5 نتایج نهایی طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ های 22 خرداد سال 1397 ماهواره لندست 8 بدون فیلتر و با فیلتر میانه 3 × 3 را نشان میدهد. با توجه به جدول 4 با استفاده از فیلتر میانه 3 × 3 ضریب کاپا و دقت نهایی به ترتیب 71/0 و 6/79 درصد بدست آمد که نسبت به شرایط بدون فیلتر ضریب کاپا و دقت نهایی به ترتیب 04/0 و 8/2 درصد افزایش یافت.
شکل 5- نتایج طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخهای 22 خرداد سال 1397 ماهواره لندست 8 بدون فیلتر و با فیلتر میانه 3 در 3
جدول 4- ماتریس خطای طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخهای 22 خرداد سال 1397 ماهواره لندست 8 با فیلتر میانه 3 × 3
فیلتر | نام رقم | دقت تولید (درصد) | دقت کاربر (درصد) | خطای اضافه (درصد) | خطای حذف (درصد) | دقت نهایی (درصد) | ضریب کاپا |
فیلتر میانه 3 ×3 | احمد آقایی | 16/19 | 46/46 | 54/53 | 84/80 |
6/79 |
71/0 |
کله قوچی | 94/61 | 79/66 | 21/33 | 06/38 | |||
اکبری | 22/74 | 41/57 | 59/42 | 78/25 | |||
فندوقی | 46/50 | 35/36 | 65/63 | 54/49 | |||
کله قوچی و فندوقی | 16/28 | 04/51 | 96/48 | 84/71 | |||
مسیر و بدون پوشش | 22/62 | 01/81 | 99/18 | 78/37 |
همانطور که ذکر شد بهترین دقت طبقهبندی ارقام پسته با استفاده از تصاویر لندست 8 از طریق الگوریتم حداکثر تشابه و در تاریخ 22 خرداد سال 1397 بدست آمد. بنابراین به منظور طبقهبندی ارقام پسته با استفاده از تصاویر ماهواره سنتینل A2 از تصویر تاریخ 24 خرداد و الگوریتم حداکثر تشابه استفاده شد. شکل 6 نتایج طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخ 24 خرداد سال 1397 ماهواره سنتینل A2 بدون فیلتر و با فیلتر میانه 3 در 3 را نشان میدهد. با توجه به ماتریس خطا، ضریب کاپا و دقت نهایی تصویر طبقهبندی شده بدون فیلتر به ترتیب 71/0 و 80 درصد بدست آمد (جدول 5). با استفاده از فیلتر میانه 3 در 3 ضریب کاپا و دقت نهایی به ترتیب به میزان 75/0 و 6/82 درصد افزایش یافت.
شکل 6- نتایج طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخهای 24 خرداد سال 1397 ماهواره سنتینل A2 بدون فیلتر و با فیلتر میانه 3 در 3
جدول 5- ماتریس خطای طبقهبندی نظارت شده ارقام مختلف پسته با استفاده از روش حداکثر تشابه در تصویر تاریخهای 24 خرداد سال 1397 ماهواره سنتینل A2 بدون فیلتر و با فیلتر میانه 3 در 3
فیلتر | نام رقم | دقت تولید (درصد) | دقت کاربر (درصد) | خطای اضافه (درصد) | خطای حذف (درصد) | دقت نهایی (درصد) | ضریب کاپا |
بدون فیلتر | احمد آقایی | 35/41 | 99/38 | 01/61 | 65/58 |
0/80 |
71/0 |
کله قوچی | 22/51 | 44/53 | 56/46 | 78/48 | |||
اکبری | 57/71 | 14/60 | 86/39 | 43/28 | |||
فندوقی | 25/47 | 92/37 | 08/62 | 75/52 | |||
کله قوچی و فندوقی | 5/36 | 97/70 | 03/29 | 5/63 | |||
مسیر و بدون پوشش | 87/67 | 45/86 | 55/13 | 13/32 | |||
فیلتر میانه 3 در3 | احمد آقایی | 31/41 | 31/64 | 69/35 | 69/58 |
6/82 |
75/0 |
کله قوچی | 13/52 | 67/70 | 33/29 | 87/47 | |||
اکبری | 94/82 | 08/61 | 92/38 | 06/17 | |||
فندوقی | 43/59 | 43 | 57 | 57/40 | |||
کله قوچی و فندوقی | 03/41 | 03/75 | 97/24 | 97/58 | |||
مسیر و بدون پوشش | 54/66 | 34/88 | 66/11 | 46/33 |
درصد مساحت واقعی هر کدام از ارقام پسته با توجه با نقشه واقعیت زمینی و مساحت تخمین زده شده با روش طبقهبندی حداکثر تشابه تصاویر ماهواره لندست 8 و سنتینل A2 در جدول 6 نشان داده شده است. شکل 7 میزان همبستگی و خطای RMSE مقادیر مساحت واقعی و تخمین زده شده ارقام پسته با استفاده از طبقهبندی تصاویر لندست و سنتینل A2 را نشان میدهد. با توجه به شکل میزان همبستگی و خطای RMSE بین مساحت واقعی و تخمینزده شده با استفاده از طبقهبندی تصویر 22 خرداد لندست 8 به ترتیب 87/0 و 8/25 هکتار و برای طبقه تصویر 24 خرداد ماهواره سنتینل A2 به ترتیب 83/0 و 8/30 هکتار میباشد. میزان خطای RMSE، 8/25 و 8/30 هکتار به ترتیب برای ماهواره لندست و سنتینل A2 نشان دهنده خطای 4/5 و 4/6 درصد نسبت به مساحت کل مزرعه میباشد. با توجه به جدول 6 و شکل 7 باید توجه داشت که هرچند میزان همبستگی و خطای RMSE بین مساحت واقعی و تخمینزده شده با استفاده از تصاویر لندست 8 نسبت به سنتینل A2 بالاتر است اما با توجه به اینکه خطای حذف و اضافه در طبقه تصاویر سنتینل A2 کمتر است؛ در مجموع دقت طبقهبندی سنتیل A2 بهتر است. زیرا علاوه بر اینکه مساحت هر کدام از ارقام با دقت بالا تخمینزده شده، مکان و موقعیت هر کدام از ارقام در نقشه طبقهبندی شده صحیح تفکیک شده است.
جدول 6- میزان و درصد مساحت واقعی ارقام پسته و تخمین زده شده طبقهبندی تصاویر لندست 8 و سنتینل A2
نام | مساحت واقعی | مساحت تخمین زده شده با ماهواره لندست (با فیلتر 3 در 3) | مساحت تخمین زده شده با ماهواره سنتینل A2 (با فیلتر 3 در 3) | |||
مساحت (هکتار) | درصد مساحت | مساحت (هکتار) | درصد مساحت | مساحت (هکتار) | درصد مساحت | |
احمد آقایی | 6/27 | 7/5 | 3/11 | 4/2 | 7/17 | 7/3 |
کله قوچی | 3/78 | 4/16 | 8/71 | 0/15 | 8/57 | 1/12 |
اکبری | 5/164 | 4/34 | 7/212 | 5/44 | 0/224 | 0/50 |
فندوقی | 5/39 | 2/8 | 5/54 | 4/11 | 6/54 | 2/12 |
کله قوچی و فندوقی | 6/15 | 3/3 | 7/8 | 8/1 | 6/8 | 8/1 |
مسیر، بدون کشت | 8/151 | 7/31 | 5/118 | 8/24 | 8/114 | 5/25 |
شکل 7- میزان همسبتگی و خطای RMSE بین مقادیر مساحت واقعی و تخمین زده شده ارقام پسته با استفاده از طبقهبندی تصاویر لندست و سنتینل A2
بحث و نتیجه گیری
در پژوهش حاضر قابلیت طبقهبندی نظارت شده تصاویر ماهوارهای لندست 8 و سنتینل A2 در تعیین محدوده و سطح زیر کشت چهار رقم پسته اکبری، احمد اقایی، کله قوچی و فندوقی در یک مزرعه مطالعاتی مورد بررسی قرار گرفت. دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج الگوریتم حداکثر تشابه نسبت به سایر الگوریتمهای طبقهبندی دارای بالاترین دقت بود. بطوری که دقت نهایی و ضریب کاپا در طبقهبندی تصویر تاریخ 22 خرداد 1397 ماهواره لندست 8 بدون فیلتر به ترتیب 8/76 درصد و 67/0 و با انجام فیلتر میانه سه در سه، 6/79 و 71/0 بدست آمد و کمترین دقت طبقهبندی با استفاده از الگوریتم طبقهبندی متوازی السطوح بدست آمد. در تهیه نقش تیپهای جنگلهای زاگرس و همچنین تهیه نقشه تیپهای گیاهی منطقه حفاظت شده گلول و سراني استان خراسان شمالي با استفاده از دادههای ETM+ و LISS III کارایی بهتر الگوریتم حداکثر تشابه در طبقهبندی دادههای ماهوارهای ETM+ و LISS III نسبت به الگوریتم متوازی سطوح و کمترین فاصله از میانگین نشان داده شد (1 و 3). در تهیه نقشه پوشش اراضی اصفهان نیز روش حداکثر تشابه نسبت به روش حداقل فاصله از میانگین دارای دقت بالاتری بود (5). در تفکیک و طبقهبندی پنج رقم سویا با استفاده از تصاویر ابر طیفی سنجنده هایپریون نیز نتایج نشان داد الگوریتم حداکثر تشابه با دقت نهایی 80/89 درصد نسبت به الگوریتمهای نقشهبردار زاویه طیفی، ماشین بردار پشتیبان و واگرایی اطلاعات طیفی دارای عملکرد بهتری میباشد (15). بر اساس نتایج بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد میباشد. به طوری ضریب کاپای طبقهبندی با الگوریتم حداکثر تشابه در تاریخ 22 خرداد 67/0 و به ترتیب در تاریخهای 23 تیر، 24 مرداد و 25 شهریور 64/0، 63/0 و 63/0 بدست آمد. دقت نهایی و ضریب کاپای طبقهبندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینل A2 به ترتیب 80 درصد و 71/0 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقهبندی شده سنتیل A2 میزان دقت نهایی و ضریب کاپا به ترتیب به 6/82 و 75/0 افزایش یافت. میزان ضریب کاپای 71/0 در طبقهبندی تصاویر لندست 8 و 75/0 در طبقهبندی تصاویر سنتینل A2 برای تفکیک ارقام پسته با توجه سنجندهای چند طیفی این ماهوارهها فوقالعاده مناسب است. زیرا چنانچه دقت کلی در نقشههاي تولیدشده بیش از 70 درصد باشد صحت نقشههاي تولیدي قابل اعتماد است (16). دقت نهایی و ضریب کاپای طبقهبندی و تفکیک ارقام پسته در تصاویر سنتینل A2 نسبن به تصاویر لندست 8 بالاتر بود. علت این دقت بالاتر ناشی از تعداد باندهای بیشتر و همچنین قدرت تفکیک مکانی بالاتر این سنجنده میباشد. از انجایی ارقام پسته ممکن است خواص طیفی متمایز را در محدودههای خاصی و باریکی از طول موج بطور مجزا نشان دهد تعداد باند بیشتر با محدودههای باریکتر در طیف الکترومغناطیس دقت طبقهبندی را بالاتر میبرد (31). در سنجنده MSI ماهواره سنتینل A2 تعداد سه باند لبه قرمز وجود دارد در صورتی در سنجنده OLI ماهواره لندست 8 باند لبه قرمز وجود ندارد. در این زمینه به عنوان نمونه در پژوهشی نشان داده شد محدودههای سبز، لبه قرمز، مادون قرمز نزدیک و مادون قرمز طول موج کوتاه در تفکیک ارقام سویا دارای اهمیت بالایی هستند (15).
همانطور که در مقدمه اشاره شد تکنیکهای طبقهبندی تصاویر ماهوارهای به طور گسترده در تهیه نقشه کاربری اراضی، پوشش زمین و بررسی تغییرات آنها و تعیین سطح زیر کشت محصولات کشاورزی و تعیین تیپهای گیاهی به طور موفقیت آمیز مورد استفاده قرار گرفته است (4، 7، 8، 9، 10، 11، 12، 13 و 14). با این حال از روشهای تفکیک و طبقهبندی تصاویر ماهواره بویژه با استفاده از دادههای سنجندههای چند طیفی به منظور تفکیک و طبقهبندی ارقام یک گونه با توجه به بازتابهای طیفی مشابه کمتر استفاده شده است. در این زمینه از تصاویر ابر طیفی سنجنده هایپریون برای تفکیک و طبقهبندی پنج رقم مختلف برنج (32)، پنج رقم سویا (15)، سه رقم متفاوت از هر کدام از گونههای برنج، نیشکر، فلفل و پنبه (27) استفاده شد که در تمام این پژوهشها دقت نهایی بالاتر از 85 درصد بدست آمد. در پژوهشی نیز ارقام مختلف چای با استفاده از دوربین ابر طیفی نصب شده بر روی پهپاد با دقت نهایی بالای 95 درصد طبقهبندی شد (34). همچنین از سنجندهای ابر طیفی هوایی نیز برای تفکیک ارقام انگور (20)، ارقام برنج (36) و نقشهبرداری گونههای گیاهی مانگرو (19) به طور موثر استفاده شد. در پژوهشی نتایج طبقهبندی پنج رقم سویا با استفاده از تصاویر ابر طیفی سنجنده هایپریون و شبیهسازی محدودههای طیفی هفت سنجنده چند طیفی نشان داده شد، دقت نهایی طبقهبندی با روش حداکثر تشابه برای دادههای سنجنده ابر طیفی هایپریون 80/89 و برای دادههای شبیهسازی شده سنجندههای MODIS و ETM+ به ترتیب دقت نهایی 7/86 و 9/85 درصد میباشد (15). نتایج این مطالعه نشان میدهد سنجندههای چند طیفی نیز میتوانند دارای دقت طبقهبندی مناسب در تفکیک ارقام باشند. با این حال عوامل متعددی نظیر شباهت امضا طیفی، بازتاب خاک زمینه، فنولوژی ارقام مختلف و ... میتواند در به بدست آوردن دقت مناسب نقش داشته باشد. بنابراین نمیتوان ذکر کرد همواره تصاویر چند طیفی و حتی ابر طیفی در طبقهبندی ارقام یگ گونه موفق عمل مینماید.
به طور کلی نتایج این تحقیق نشان داد به منظور طبقهبندی 4 رقم پسته الگوریتم طبقهبندی حداکثر تشابه دارای نتایج مطلوبی میباشد و بهترین زمان برای تفکیک و طبقهبندی ارقام پسته مورد مطالعه اواخر خرداد میباشد. نتایج طبقهبندی ارقام پسته با استفاده از تصاویر لندست و سنتینل A2 با توجه به چند طیفی بودن سنجندهای این ماهواره مناسب میباشد. در مجموع بر اساس نتایج تکینکهای طبقهبندی سنجش از دور دارای قابلیت بالایی به منظور نقشهبرداری کشاورزی و باغی بویژه در سطوح وسیع میباشند.
منابع
1. احمدپور، ا.، سلیمانی، ک.، شکری، م. و قربانی، ج. (1393). مقایسة میزان کارآیی سه روش رایج طبقهبندی نظارت شده دادههای ماهوارهای در مطالعة پوشش گیاهی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5 (3): 89-77.
2. اخباری، م.، رنجبر، ا. و فاطمی، س. م. ب. (1385). بررسى روشهاى طبقهبندى تصاویر ماهوارهاى. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی (سپهر)، 15 (59): 64-61.
3. پرما، ر.، شتایی جویباری، ش.، خداکرمی، ی. و حبشی، ه. (1388). ارزیابی دادههای ماهوارهای ETM+ و LISS III برای تهیه نقشه تیپ در جنگلهای زاگرس (مطالعه موردی: جنگلهای قلاجه استان کرمانشاه). تحقیقات جنگل و صنوبر ایران، 17 (4): 606-594.
4. رضایی مقدم، م. ح.، اندریانی، ص.، ولیزاده کامران، خ. و الماس پور، ف. (1395) تعیین بهترین الگوریتم استخراج کاربری - پوشش اراضی و کشف تغییرات از تصاویر ماهواره ای لندست (مطالعه موردی:حوضه صوفی چای مراغه). فضای جغرافیایی، ۱۶ (۵۵) :۶۵-85.
5. سفیانیان، ع. و م. مدنیان. 1390. مقایسه روشهای طبقه‌بندی‌کننده حداکثر مشابهت و حداقل فاصله از میانگین در تهیه نقشه پوشش اراضی (مطالعه موردی: استان اصفهان). مجله علوم آب و خاک، ۱۵ (۵۷): 264-253.
6. شرافتی، ع.، ک. ارزانی و م. رمضانی مقدم. 1392. ارزیابی گلدهی و میوه‌دهی دوازده رقم پسته (Pistacia vera L.) در شرایط آب و هوایی خراسان. به نژادی نهال و بذر، 29 (2): 256-243.
7. ظفریان، ا.، ع. ابراهیمی و ر. امیدی پور. 1397. بررسی کارائی روشهای طبقهبندی تصاویر ماهوارهای در پایش تغییرات پوشش اراضی(مطالعة موردی: حوضۀ آبخیز شهرکرد، چهارمحال و بختیاری). مرتع آبخیزداری، 71 (3): 714-699.
8. علی خواه اصل، م. و ا. فروتن. 1392. استفاده از روش طبقه بندی فازی برای تهیه نقشه کاربری اراضی (مطالعه موردی زیر حوزه آبخیز حبله رود). انسان و محیط زیست، 1 (24-35): 47-41.
9. علی زاده، پ.، ب. کامکار، ش. شتایی و ح. کاظمی. 1397. برآورد تغییرات سطح زیرکشت گندم و سویا با استفاده از طبقهبندی تصاویر ماهوارهای در غرب استان گلستان. پژوهش های کاربردی زراعی، 31 (3): 61-41.
10. علیپور، ف.، م. ح. آق خانی، م. ح. عباسپور فرد و ع. سپهر. ۱۳۹۳. تفکیک محدوده و تخمین سطح زیر کشت محصولات کشاورزی به کمک تصاویر ماهوارهای ETM+ (مطالعه موردی: مزرعه نمونه آستان قدس رضوی). ماشین‌های کشاورزی، 4 (2): 244-254.
11. علیمحمدی، ع.، ع. متکان، پ. ضیائیان و ه. طباطبایی. 1388. مقایسه روشهای طبقه بندی پیکسل پایه، شئ پایه و درخت تصمیم در تهیه نقشه تیپهای جنگل با استفاده از دادههای سنجش از دور (مطالعه موردی: جنگل آستارا). نشریه تحقیقات کاربردی علوم جغرافیایی، 9 (۸): 26-7.
12. فرزادمهر، ج. و ک. تباکی بجستانی. 1397. تعیین قابلیت تصاویر ماهوارهای لندست 8 در تخمین سطح زیر کشت زعفران (نمونه موردی: شهرستان تربت حیدریه). علمی پژوهشی زراعت و فناوری زعفران، 6 (1): 60-49.
13. کاکه ممی، آ. و ا. قربانی. 1396. مقایسه سه روش تفسیر چشمی، طبقهبندی شیءگرا و طبقهبندی نظارت شده در تهیه نقشه کاربری/پوشش اراضی حوزه آبخیز ملا احمد اردبیل. اکوسیستمهای طبیعی ایران، 8 (4): 43-29.
14. میرزایی زاده، و.، م. نیک نژاد و ج. اولادی قادیکلایی. 1394. ارزیابی الگوریتمهای طبقه بندی نظارت شده غیرپارامتریک در تهیة نقشه پوشش زمین با استفاده از تصاویر لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6 (3): 29-44.
15. Breunig FM, Galvao LS, Formaggio AR, Epiphanio JC. 2011. Classification of soybean varieties using different techniques: case study with Hyperion and sensor spectral resolution simulations. Journal of Applied Remote Sensing, 5(1): 053533.
16. Chuang CW, Lin CY, Chienn CH, Chou WC. 2011. Application of Markov-chain model for vegetation restoration assessment at landslide areas caused by a catastrophic earthquake in Central Taiwan. Ecological Modelling, 222(3): 835-845.
17. FAO 2010 .The FAO statistical database, Food and Agriculture Organization of the United Nations available at:http://faostat.fao.org.
18. Irons JR, Dwyer JL, Barsi JA. 2012. The next Landsat satellite: The Landsat data continuity mission. Remote Sensing of Environment, 122: 11-21.
19. Kamal M, Phinn S. 2011. Hyperspectral data for mangrove species mapping: A comparison of pixel-based and object-based approach. Remote Sensing, 3(10): 2222-2242.
20. Lacar FM, Lewis MM, Grierson IT. 2001. Use of hyperspectral imagery for mapping grape varieties in the Barossa Valley, South Australia. In IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium, 6: 2875-2877.
21. Landgrebe D. 2002. Hyperspectral Image Data Analysis. IEEE Signal Processing, 19(1): 17-28.
22. Lillesand TM, Kiefer RW & Chipman JW. 2004. Remote Sensing and Image Interpretation, fifth ed., J. Wiley & Sons, Inc., New York.
23. Löw F, Michel U, Dech S, Conrad C. 2013. Impact of feature selection on the accuracy and spatial uncertainty of per-field crop classification using support vector machines. ISPRS journal of photogrammetry and remote sensing, 85: 102-119.
24. Murmu S, & Biswas S. 2015. Application of fuzzy logic and neural network in crop classification: A review. Aquatic Procedia, 4: 1203-1210.
25. Ozden-Tokatli Y, Akdemir H, Tilkat E, Onay A. 2010. Current status and conservation of Pistacia germplasm. Biotechnology Advances, 28: 130-141.
26. Pahlevan N, Sarkar S, Franz B. A, Balasubramanian S. V, He J. (2017). Sentinel-2 MultiSpectral Instrument (MSI) data processing for aquatic science applications: Demonstrations and validations. Remote sensing of environment, 201: 47-56.
27. Rao NR, Garg PK, Ghosh SK. (2007). Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data. Precision Agriculture, 8(4-5): 173-185.
28. Richards JA, Jia X. 1999. Remote Sensing Digital Image Analysis. 3rd Edition Springer-Verlag, Berlin.
29. Richards JA, Jia X. 2006. Remote Sensing Digital Image Analysis an Introduction, 4th Edition, Chapter 1, Springer, Germany, Berlin, Heidelberg.
30. Schweizer SM, Moura JM. 2001. Efficient detection in hyperspectral imagery. IEEE Transactions on image processing, 10(4): 584-597.
31. Shwetank JK, Bhatia KJ. 2010. Review of rice crop identification and classification using hyper-spectral image processing system. International Journal of Computer Science & Communication, 1(1): 253-258.
32. Shwetank S, Jain K, Bhatia K. 2012. Development of digital spectral library and supervised classification of rice crop varieties using hyperspectral image processing. Asian Journal of Geoinformatics, 11(3).
33. 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.
34. Tu Y, Bian M, Wan Y, Fei T. 2018. Tea cultivar classification and biochemical parameter estimation from hyperspectral imagery obtained by UAV. PeerJ, 6, e4858.
35. Wang F, Qin Z, Song C, Tu L, Karnieli A, Zhao S. 2015. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data. Remote Sensing, 7(4): 4268-4289.
36. Zhang X, Sun Y, Shang K, Zhang L, & Wang S. 2016. Crop classification based on feature band set construction and object-oriented approach using hyperspectral images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(9): 4117-4128.
Evaluation of Supervised Classification Capability of Landsat 8 and Sentinel 2A Satellite Images in Determining Type and Area of Pistachio Cultivars
ABSTRACT
Remote sensing technique is one of the most effective tools for monitoring, studying and determining the cultivation area of agricultural and horticultural crops, especially on a large scale. Planners, managers, and farmers, with knowledge of the type and extent of crop cultivation, can adopt appropriate management and enforcement policies. Types of cultivars in crops are usually determined using hyperspectral satellite imagery. The purpose of the present study was to evaluate the supervised classification ability to classify Landsat 8 and Sentinel 2A multi-band satellite imagery in determining the cultivated area and type of four varieties of pistachio namely such as: Akbari, Kalle Ghuchi, Ahmad Aghaei and Fandooki in an orchard in the Yazd province. In the present study, the accuracy of four classification algorithms, namely: Parallelepiped classification, Minimum distance, Mahalanubis distance and Maximum likelihood as well as the optimum time in separation of pistachio cultivars were investigated. According to the classification results of a Landsat 8 image, on June 12, 2018, the Maximum likelihood algorithm with a final accuracy and kappa coefficient of 76.8% and 0.67% and Parallelepiped classification algorithm with the final and kappa coefficients of 64.7 and 0.47, were of highest and lowest accuracy among others, respectively. Also, according to the results, the best time for separation of pistachio cultivars was in late June. The kappa coefficient of maximum likelihood classification algorithm on June 22, July 23, August 24 and September 25 of 2018 were 0.67, 0.64, 0.63 and 0.63, respectively. The final accuracy and kappa coefficient of maximum likelihood classification algorithm on the Sentinel A2 Satellite Images on June 12, 2018 were 80% and 0.71, respectively. By applying the median filter with a 3 ×3 dimensional kernel window size on the classified image, the final accuracy and kappa coefficient was increased to 82.6% and 0.75, respectively. The final accuracy and kappa coefficient of classification and separation of pistachio cultivars in Sentinel A2 images were higher than in Landsat 8 images. Overall, based on ourresults, the remote sensing classification techniques as well as multi-spectral satellite imagery are suitable for agricultural and horticultural mapping.
Keywords: Supervised classification, Maximum likelihood classification algorithm, Pistachio cultivars, Kappa coefficient, Remote sensing
