تهیه نقشه کشت برنج براساس خصوصیات فنولوژیکی با استفاده از سری زمانی تصاویر سنتینل 1
الموضوعات :
صیاد اصغری سراسکانرود
1
(
هیئت علمی دانشگاه محقق اردبیلی
)
حسین شریفی طولارود
2
(
دانشجوی کارشناسی ارشد، دانشگاه محقق اردبیلی، اردبیل، ایران
)
بهروز سبحانی
3
(
عضو هیات علمی دانشگاه محقق اردبیلی
)
الکلمات المفتاحية: ضریب بازپراکنش راداری, سنجش ازدور, پلاریزاسیون, شالیزار,
ملخص المقالة :
هدف از این پژوهش شناسایی اراضی شالیزار و تهیه نقشه کاربری براساس خصوصیات فنولوژیکی گیاه برنج با استفاده از بازپراکنش دادههای راداری در سامانه گوگل ارث انجین است. به منظور افزایش دقت تغییرات شدت بازپراکنش، سری زمانی 2ساله انتخاب شد. سپس نسبت به شناسایی اولیه و طبقهبندی اراضی اقدام شد. ابتدا ارتباط بین روند بازپراکنش پلاریزاسیون VV و چرخه فنولوژیکی گیاه برنج بررسی شد. نتایج تجزیه و تحلیل روند نمودار بازپراکنش پلاریزاسیون VV نشان میدهد که در مرحله اول رشد گیاه برنج بدلیل وجود رطوبت، غرقابی بودن و عدم وجود سبزینگی کافی میزان بازپراکنش کمتر بوده است. در مرحله دوم رشد گیاه برنج بدلیل افزایش سبزینگی و پوشانده شدن سطح آب مقدار بازپراکنش بیشتر میباشد. درحالی که در مرحله سوم رشد گیاه برنج، بدلیل رسیدگی بذر گیاه برنج و همچنین خشک شدن سطح شالیزارها جهت برداشت محصول، میزان بازپراکنش کاهش پیدا میکند. در ادامه با مدیریت بازههای زمانی و استفاده از ترکیب رنگی نوع کاربریها شناسایی شدند. بعد از شناسایی اولیه، جهت دستیابی به نتایج بهتر اقدام به تهیه نقشه کاربری بخش مرکزی تالش با روش طبقهبندی نظارت شده با استفاده از الگوریتم بیشترین شباهت شد. بعد از تهیه نقشه کاربری، صحت نقشه با استفاده از نمونههای زمینی ارزیابی شد. که دقت کلی و ضریب کاپای این الگوریتم به ترتیب برابر با 91.57 درصد و 0.75 میباشد. نتایج نشان داد که استفاده از سری زمانی بازپراکنش دادههای راداری متناسب با فنولوژی در طبقهبندیها باعث افزایش دقت طبقهبندی میشود. همچنین نتایج نشان میدهد که استفاده از تصاویر سنتینل1 به همراه سامانه گوگل ارث انجین کارایی بالایی در جهت نظارت بر اراضی شالیزار در مناطق شمالی بدلیل وجود ابر خواهند داشت.
_||_
تهیه نقشه کشت برنج براساس خصوصیات فنولوژیکی با استفاده از سری زمانی تصاویر سنتینل 1
چکیده
هدف از این پژوهش شناسایی اراضی شالیزار براساس خصوصیات فنولوژیکی گیاه برنج با استفاده از بازپراکنش دادههای راداری در سامانه گوگل ارث انجین است. به منظور افزایش دقت تغییرات شدت بازپراکنش، سری زمانی 2ساله انتخاب شد. سپس نسبت به شناسایی اولیه و طبقهبندی اراضی اقدام شد. ابتدا ارتباط بین روند بازپراکنش پلاریزاسیون VV و چرخه فنولوژیکی گیاه برنج بررسی شد. نتایج تجزیه و تحلیل روند تغییرات بازپراکنش پلاریزاسیون VV نشان میدهد که در مرحله اول رشد گیاه برنج بدلیل وجود رطوبت، غرقابی بودن و عدم وجود سبزینگی کافی میزان بازپراکنش کمتر بوده است. در مرحله دوم رشد گیاه برنج بدلیل افزایش سبزینگی و پوشانده شدن سطح آب مقدار بازپراکنش بیشتر میباشد. درحالی که در مرحله سوم رشد گیاه برنج، بدلیل رسیدگی بذر گیاه برنج و همچنین خشک شدن سطح شالیزارها جهت برداشت محصول، میزان بازپراکنش کاهش پیدا میکند. در ادامه با مدیریت بازههای زمانی و استفاده از ترکیب رنگی نوع کاربریها شناسایی شدند. بعد از شناسایی اولیه، جهت دستیابی به نتایج بهتر اقدام به تهیه نقشه کاربری بخش مرکزی تالش با روش طبقهبندی نظارت شده با استفاده از الگوریتم بیشترین شباهت شد. بعد از تهیه نقشه کاربری، صحت نقشه با استفاده از نمونههای زمینی ارزیابی شد. که دقت کلی و ضریب کاپای این الگوریتم به ترتیب برابر با 91.57 درصد و 0.75 میباشد. نتایج نشان داد که استفاده از سری زمانی بازپراکنش دادههای راداری متناسب با فنولوژی در طبقهبندیها باعث افزایش دقت طبقهبندی میشود. همچنین نتایج نشان میدهد که استفاده از تصاویر سنتینل1 به همراه سامانه گوگل ارث انجین کارایی بالایی در جهت نظارت بر اراضی شالیزار در مناطق شمالی بدلیل وجود ابر خواهند داشت.
واژههای کلیدی: شالیزار، ضریب بازپراکنش راداری، سنجش ازدور، پلاریزاسیون
مقدمه
یکی از مهمترین محصولات کشاورزی جهان برنج است (36). مشخصه منحصر به فرد شالیزارهای برنج رشد در شرایط غرقابی میباشد بطوری که در مراحل اولیه رشد، نیاز آبی شدیدی دارد که در آسیا 70 درصد از منابع آب شیرین صرف کشت برنج میشوند (9). علاوه بر میزان مصرف آب برای کشت گیاه برنج، غرقابی بودن گیاه برنج در مرحله آبگیری و نشاکاری منجر به گسیل متان در سطح شالیزارها میشود (7). بطوری که تولید گاز متان طی دوران نشاء و غرقابی گیاه برنج، به میزان 13-10 درصد میباشد که باعث اثرگذاری روی گازهای گلخانهای میشود (14). همچنین این گاز میتواند در بردارنده تبعات جدی در شیمی جوی و اقلیم باشند (37). برآورد به موقع و دقیق مساحت و توزیع محصولات برنج میتواند اطلاعات مفیدی برای دولتها، برنامهریزان و تصمیمگیرندگان ارائه دهد (17). تا سیاستهایی را از نظر سلامت مواد غذایی، مدیریت پایدار منابع آبی و کشاورزی، پایداری زیست محیطی و کاهش گازهای گلخانهای تدوین کنند (35). روشهای متعددی جهت شناسایی و تفکیک سطح زیرکشت برنج و در نهایت تهیه نقشه کشت برنج وجود دارد. در کشور ما سه روش جهت برآورد سطح محصولات کشاورزی وجود دارد که شامل: روشهای كارشناسی، برآورد از طريق فهرست برداری و در نهایت استفاده از فناوریهای جديد میباشد (28). در ایران بیشتر از روشهای سنتی و کارشناسی برای بدست آوردن آمار از سطوح کشاورزی استفاده میکنند بررسیها نشان میدهند که این روشها دارای خطا هستند (13). امروزه دادههـای سـنجش از دوری بـه دليـل داشـتن ويژگيهايی مانند چند زمانه بودن، چنـد طيفـی بـودن، قابليـت تفکيک مکانی و راديومتريکی مناسـب و متنـوع، ديـد وسـيع و يکپارچه همچنین دادههای به هنگام و دقیق قـادر بـه تفکيـک عارضـههـا و پديـدههـای مختلـف کشاورزی از جمله سطح، نوع و الگوهای زمانی و مکانی کشت هستند (1). مطالعات گستردهای جهت شناسایی و جداسازی مزارع کشت برنج در طی سالهای گذشته با استفاده از سنجش ازدور انجام شده است. از میان این مطالعات میتوان به دادههای اپتیکی (MODIS، LANDSAT، IRRS، SENTINEL2 و SPOT) همچنین به دادههای راداری (RADARSAT، ALOSPALSAR و SENTINEL1) اشاره کرد. بطوری که استفاده از دادههای اپتیکی بیشتر از دادههای راداری بوده است. اگرچه دادههای تصاویر ماهوارهایی اپتیکی به لحاظ داشتن قدرت تفکیک مکانی و چندطیفی بودن برای نقشههای کشت برنج مفید هستند اما این دادهها در شرایط آب و هوایی مختلف دارای محدودیتهایی هستند (24). پردازش دادههای راداری بصورت سری زمانی معمولا وقت گیر، زمان بر، نیازمند سیستمهای سختافزاری و نرمافزاری قوی و همچنین نیازمند به صرف انرژی و زمان زیاد است. سامانه گوگل ارث انجین (Google Earth Engine)، یک سامانه قدرتمند و قوی، تحت وب برحسب محاسبات ابری است که توسط شرکت گوگل به منظور انجام تحلیلهای مکانی و ذخیره سازی انواع دادههای رایگان از جمله تصاویر ماهوارهای راهاندازی شده است (34). باتوجه به اینکه مناطق شمال کشور بیشترین سهم تولید برنج در کشور را دارند (19). در این مناطق بدلیل وجود دیگر محصولات و تنوع ارقام کشت برنج بخصوص ارقام پرمحصول برنج در منطقه با تاریخ نشاکاری متفاوت باعث پیچیدگی روند پردازش با دادههای تک تصویر و چند زمانه میشود (2). همچنین بدلیل وجود ابر شرایط برای کارکرد دادههای اپتیکی بخصوص در سری زمانی در بیشتر اوقات سال فراهم نیست (21). بر ایناساس دستیابی به دادههای سنجش ازدور اپتیکی در مراحل رشد برنج بخصوص در مناطق شمال کشور دشوار یا گاهی غیرممکن است که بتوان، تصاویر کافی بدون ابر به دست آورد. همچنین بررسی مطالعات (10، 28، 36) نشان میدهد که جهت پایش اراضی کشاورزی (برنج) و تهیه نقشه کشت برنج از بازپراکنش دادههای راداری براساس فنولوژی کشت برنج استفاده شده است. نگوین و همکاران (20) در پژوهشی نقشه کشت برنج را با استفاده از تصاویر سنتینل 1 تهیه کردند. نتایج مطالعهای این محققان نشان داد که بازپراکنش پلاریزاسیونهای VH نسبت به VV رابطه بهتری با چرخه فنولوژیکی گیاه برنج دارد. بطوری که نتایج طبقهبندی نیز نشان میدهد که دقت کلی برابر با 87.2 درصد و ضریب کاپا 0.71 بوده است. همچنین نقشه استخراج شده با دادههای آماری مقایسه شد که ضریب تبیین آن برابر با 0.98 بدست آمد. دینشکومار و همکاران (10) در مطالعهای به پایش مزارع کشت برنج براساس بازپراکنش تصاویر راداری سنتینل 1 در محیط گوگلارث انجین پرداخته اند. نتایج نشان داد که بازپراکنش پلاریزاسیونهای VV و VH در مرحله اول رشد گیاه برنج بدلیل غرقابی بودن کمتر بوده است د ر مرحله دوم رشد مقدار بازپراکنش در مرحله اوج سبزینگی بیشتر میباشد. درحالی که در مرحله رسیدگی بذر گیاه برنج، میزان بازپراکنش کمتر میشود. همچنین پلاریزاسیونVV نتایج بهتری را نسبت به VH داده است. سینگا و همکاران (31) با استفاده از دادههای سنتینل 1 با قدرت تفکیک مکانی بالا و پلتفرم گوگل ارث انجین به استخراج تهیه نقشه کشت برنج پرداختند. نتایج این مطالعه نشان داد که نقشههای تولید شده با نقشههای موسسات برنج و سایر دادهها همخوانی دارد و از دقت بالای 90 درصد برخوردار میباشد همچنین نتایج این مطالعه نشان داد که دادههای سنتینل 1 و پلتفرم گوگل ارث انجین قابلیت بالایی را در تهیه نقشه کشت برنج در مقیاس وسیع دارند. بازی و همکاران (6) در پژوهشی نقشه کشت برنج را با استفاده از سری زمانی تصاویر سنتینل 1 استخراج کردند. در این پژوهش ابتدا بازپراکنش دادههای راداری را متناسب با چرخه کشت برنج تجزیه و تحلیل کردند در ادامه با استفاده از شیب رگرسیون خطی، نمایه گوسی و واریانس سری زمانی پلاریزاسیونها مناطق کشت برنج شناسایی شدهاند. سپس با استفاده از روشهای طبقهبندی درخت تصمیمگیری و جنگل تصادفی نقشه کشت برنج تهیه شد. نتایج نقشه کشت برنج نشان میدهد که دقت کلی روش درخت تصمیمگیری 96.3 درصد و دقت کلی روش جنگل تصادفی 96.3 درصد است. چانگ و همکاران (8) از سری دادههای سنتینل1 متناسب با مراحل رشد و بازپراکنش راداری 5 ویژگی (اختلاف بازپراکنش، فاصله زمانی بین مراحل رشد گیاه برنج، نرخ تغییرات بازپراکنش، متوسط بازپراکنش نرمال شده، حداکثر بازپراکنش) را تعریف کردند. نتایج روش پیشنهادی نشان میدهد که دقت تهیه نقشه کشت برنج به میزان 6 درصد افزایش یافته است بطوری که دقت کلی 91.2 درصد میباشد. همچنین نتایج این روش با روشهای طبقهبندی درخت تصمیمگیری، ماشینبردار پشتیبان، نزدیکترین همسایه و آنالیز همسایهها نیز ارزیابی شد. الگوریتم ماشین بردار پشتیبان در مقایسه با 3 روش دیگر طبقهبندی نتایج بهتری داشت. در مقابل روش پیشنهادی از دقت بالاتری نسبت به الگوریتم ماشین بردار پشتیبان برخوردار است. در پژوهشی تالما و همکاران (36) از ترکیب دادهی اپتیکی براساس شاخصهای پوشش گیاهی و آبی و داده راداری در دو پلاریزاسیون VH و VV جهت تهیه نقشه کشت برنج در اتیوبی استفاده کرده اند. طبق نتایج این پژوهش پلاریزاسیون VH نسبت به پلاریزاسیون VVعملکرد بهتری در استخراج مناطق تحت کشت برنج و متمایز کردن آن از سایر کاربری نشان داده است و بازپراکنش راداری در مراحل رشد برنج متفاوت میباشد. همچنین این محققین استفاده از شاخص های دادههای اپتیکی را باعث افزایش دقت کار دانسته اند. سون و همکاران (33) در مطالعه ای با استفاده از داده های سری زمانی سنتینل1 و طبقهبندی شی پایه نقشه کشت برنج را استخراج کردند. نتایج ارزیابی نقشهها نسبت به دادههای زمینی در دو زمان کشت نشان میدهد که دقت تولیدکننده در زمان اول 84.2 % و در محصولات دوم 82.6 % و دقت کاربر در محصولات بازه اول 82.1 % و 85.3 % میباشد. از نتایج دیگر این مطالعه پتانسیل بالای داده های سنتینل 1 و اطلاعات فنولوژیکی در تهیه کشت برنج در سطح وسیع و قابلیت بروز رسانی این نقشه ها برای مناطق مختلف میباشد. در داخل کشور مطالعات متعددی با استفاده از دادههای اپتیکی و مطالعات محدودی با استفاده از دادههای راداری جهت تهیه نقشه کشت برنج انجام شده است. آملی انصاری و همکاران (3) به بررسی کارکرد روش طبقه بندی چند زمانه و دادههای ماهواره NOAA سنجنده AVHRR به منظور تخمین دقیق سطح زیرکشت محصول برنج در استان گیلان پرداختند. نتایج این مطالعه نشان داد که اختلاف نقشه برنج استخراج شده با نقشه کاربری زمینهای کل استان برابر با 8.4 درصد است. به عبارت دیگر دقت روش استفاده شده در برآورد سطح زیرکشت برنج در کل منطقه برابر با 96/91 درصد است. خداکرمی و همکاران (14) در پژوهشی به بررسی کاربرد سنجش از دور چند زماني در تعيين سطح زيرکشت محصولات کشاورزی پرداختند. برای تهيـه نقـشه الگوي کشت، از ترکيب باندي شاخصهـاي گيـاهي حاصـل از سـه سـري زمـاني(۱۵ فروردين، ۸ ارديبهـشت و ۲۸مـرداد)، اسـتفاده شد نتایج ترکیب شاخصها نشان دادند که به خوبی کشت منطقه را میتوان تفکیک نمود. بهرام وش شمس (5) در مطالعه ای به استخراج اتوماتیک نقشه کشت برنج با استفاده از آستانه گذاری روی شاخصهای پوشش گیاهی NDVI و آب LSWI در دوره رشد برنج اقدام کردند. نتایج مطالعه نشان داد که دقت کلی این روش 90 درصد است. سادات و همکاران (30) در مطالعهای با استفاده از سری زمانی سنتینل 1 براساس پلاریزاسیونهای VV، VH ، VH + VV نقشه کشت برنج را با اسنفاده از الگوریتم جنگل تصادفی استخراج کردند. نتایج این مطالعه نشان داد که دقت طبقهبندیها بالای 80 درصد و بهترین نتیجه مربوط به سیگمانات و گامانات با دقت 91.37 درصد است. همچنین دیگر نتایج این مطالعه نشان داد که دادههای راداری قابلیت بالایی در ارزیابی و پایش کشت برنج در مناطق ابری با وسعت متوسط دارند. معینی راد و همکاران (18) در مطالعهایی با هدف توسعه الگوریتمی مبتنی بر فنولوژی برنج با استفاده از سری زمانی دادههای سنتینل 2 در سه منطقه (مرودشت، درگز و قزوین) به آشکارسازی کشت برنج پرداختند. در این مطالعه از شاخصهای پوشش گیاهی مرتبط با مراحل فنولوژیکی کشت برنج استفاده شده است. نتایج این مطالعه نشان داد که ضریب کاپا در سه منطقه به ترتیب برابر با 0.73 درصد ، 0.94 درصد و 0.70 درصد میباشد. بررسی مطالعات گذشته نشان میدهد که محققان مختلفی از دادههای تصاویر ماهوارهایی سنتینل1 برای شناسایی و تهیه نقشه کشت برنج استفاده کردهاند. نتایج این مطالعات نشان میدهد که دادههای سنتینل 1 دقت بالایی در استخراج مناطق کشت برنج و سایر کاربریها دارند. لذا باتوجه به موارد ذکر شده نوآوری این تحقیق از دو جنبه قابل بررسی است. بدین صورت که در تحقیقات مشابه برای شناسایی و تهیه نقشه کشت برنج از دادههای چندزمانه اپتیکی و راداری براساس روشهای طبقهبندی و شاخصها استفاده میکردند در حالی که در این پژوهش برای تهیه نقشه کشت برنج از سری زمانی دادههای سنتینل 1 با قدرت تفکیک زمانی و مکانی مطلوب متناسب با فنولوژی کشت برنج بعلاوه ارتباط بین بازپراکنش پلاریزاسیون VV با مراحل کشت برنج استفاده شده است و همچنین جهت شناسایی، تجزیه و تحلیل سری زمانی دادههای سنتینل 1 از سامانه گوگل ارثانجین بهره برده شده است. بنابراین در این پژوهش ابتدا شناسایی و تفکیک مناطق کشت برنج براساس فنولوژی برنج انجام شد و در ادامه نسبت به استخراج نقشه کاربری اراضی شالیزار و سایر کاربریها اقدام شد و در نهایت به ارزیابی نقشه کاربری اراضی پرداخته شد.
منطقه موردمطالعه
منطقه مورد مطالعه شهرستان تالش در شمال غربی استان گیلان قرار گرفته است. طول جغرافیایی شهرستان تالش بین '32 °48
تا '3 °49 طول شرقی و عرض شمالی آن '33 °37 تا '16 °38 قرار گرفته است شکل(1). مساحت تالش 872/2215 کیلومترمربع است. مرکز تالش شهر هشتپر است که ارتفاع آن از سطح دریای آزاد به 80 متر میرسد . هرستان تالش داراي چهار بخش به نامهای حویق، مرکزي، اسالم و کرگانرود است. اصلیترین محصول زراعی در بخش مرکزی شهرستان تالش مزارع کشت برنج است. برنج محصولی هست که نیازمند زمینهای صاف و هموار دارای شیب کمتر از 5 درصد و ارتفاع کمتر از 100 متر میباشد. به همین دلیل باتوجه به شناخت منطقه مورد مطالعه دیگر محصولات کشاورزی عمده در این منطقه توتون و کیوی میباشد.
شکل 1. موقعیت منطقه مورد مطالعه در شهرستان تالش
Fig 1. Position of the study area in Talesh city
مواد و روشها
داده های مورد استفاده
هر کار پژوهشی با توجه به موضوع و اهدافی که دنبال میکند برای به ثمر رسیدن نتایج نیاز به داده، ابزار و روشهایی دارد. لذا انتخاب داده و روشهای مناسب جهت رسیدن به نتیجه مطلوب حائز اهمیت است. دادههای مورد استفاده در این پژوهش شامل، تصاویر ماهوارهای سری زمانی (2018 تا 2020) فرمت GRD سنتینل 1 موجود در پایگاه گوگل ارث انجین براساس مراحل فنولوژیکی گیاه برنج به منظور شناسایی و تفکیک مزارع کشت برنج استفاده شد. بازه زمانی کشت برنج در مناطق مختلف متفاوت میباشد در منطقه مورد مطالعه عموما سطح اراضی شالیزارها بسته به رقم برنج بعد از 13 فروردین آبگیری، آماده شخم زدن و نشاکاری میشوند، بطوری که بعد از هفته اول اردیبهشت سطح شالیزارها را نشای سبز میپوشاند و در هفته اول مرداد ماه برداشت محصول شروع میشود. مدت زمان نهایی کشت برنج بطور تقریبی 90 تا 100 روز میباشد، شناخت این بازه زمانی باعث شناخت بهتر ارتباط مراحل فنولوژیکی کشت برنج با بازپراکنش پلاریزاسیون VV میشود.
جدول1. تعداد تصاویر مورد استفاده
Table 1. Number of imge used
نوع ماهواره | مرحله اول: آّبگیری و نشاکاری | مرحله دوم: اوج سبزینگی | مرحله سوم: برداشت محصول |
سنتینل 1 | 60 | 57 | 58 |
شکل 2. مراحل رشد گیاه برنج
Fig 2. Stages of rice plant growth
مراحل انجام پژوهش در شکل (3) ارائه شده است. باتوجه به اینکه دادههای موجود در پایگاه گوگل ارث انجین بصورت تصحیح شده میباشند. لذا مراحل انجام پژوهش بدین صورت است که پس از فراخوانی تصاویر، آمادهسازی دادهها شامل تعریف فیلترهای زمانی و مکانی انتخاب پلاریزاسیون VV انجام شد. سپس میانگین نمودار روند تغییرات بازپراکنش راداری متاثر از خصوصیات کاربریهای سطح زمین (اراضی شالیزار) در چرخه فنولوژیکی کشت گیاه برنج برحسب واحد (db) بر روی سری زمانی تصاویر sentinel 1 پیادهسازی شد، قابل ذکر است به جهت افزایش دقت تغییرات روند بازپراکنش بازه زمانی 2ساله(2018 تا 2020) انتخاب شد. در ادامه با تجزیه و تحلیل روند تغییرات بازپراکنش راداری، متناسب با چرخه فنولوژیکی کشت برنج محدودههای تغییر روند بازپراکنش برای سه دوره زمانی(مرحله آماده سازی زمین و نشاکاری، مرحله اوج سبزینگی، مرحله برداشت محصول) تقسیم بندی شدند مجموع تصاویر موجود در سری زمانی با استفاده از فیلتر میانه به یک تصویر واحد تبدیل شد. فیلتر میانه برای کاهش میزان نویز بخصوص در مرز بین تصاویر ماهوارهایی موثر میباشد (29). سپس با مدیریت و ادغام سه دوره زمانی مناطق کشت برنج بصورت اولیه شناسایی شد. مجموع تصاویر ادغام شده برای پردازشها و تحلیلهای نهایی در محیط نرم افزارENVI5.3 و Arc gis خروجی گرفته شد. در ادامه بعد از شناسایی مناطق برنج، جهت دستیابی به نتایج بهتر اقدام به تهیه نقشه کاربری بخش مرکزی تالش در محیط نرم افزارENVI5.3 شد. به منظور طبقهبندی در پژوهش حاضر بعد از تعریف کاربریهای مختلف شامل (اراضی جنگلی، اراضی باغی، اراضی شهری، مناطق آبی و مناطق کشت برنج) اقدام به گرفتن نمونههای آموزشی متناسب با هر کاربری از سطح منطقه مورد مطالعه شد . تهیه نمونههای تعلیمی و واقعیت زمینی امری مهم در طبقهبندیها میباشد. در این پژوهش نمونههای تعلیمی از سطح منطقه با استفاده از بازدید میدانی و تصاویر گوگل ارث بصورت پراکنده و تصادفی برداشت شد. بخشی از این دادههای برداشت شده در جهت آموزش تصویر ماهوارهای و بخشی نیز برای برآرود صحت نتایج به کار گرفته شد. روشهای طبقهبندی به طور معمول به دو دسته نظارت نشده (Unsupervised Classification) و نظارت شده (Supervised Classification) تقسیم میشوند. روشهای نظارت نشده بیشتر اتومات و مبتنی بر اطلاعات تصویر هستند و کاربر در کل فرآیند آن دخالتی ندارد. روشهای نظارت شده به اطلاعات اولیه ای مانند تعداد کلاس، خصوصیات آنها و همچنین نمونههای معلوم از هر کلاس نیاز دارد که دخالت کاربر در آن اجتناب ناپذیر میباشد. میتوان از روشهای پارامتریک طبقهبندی به کوتاهترین فاصله (Minimum Distance) و بیشترین شباهت (Maximum Likelihood) اشاره کرد. به منظور طبقهبندی کاربری اراضی از روش طبقهبندی نظارت شده الگوریتم روش طبقهبندی بیشترین شباهت یکی از معروفترین روشهای آماری طبقهبندی است که جزو روشهای براساس پیکسل قرار میگیرد. در طبقه بندی بیشترین شباهت ، کلاسی به پیکسل مورد نظر انتصاب داده میشود که بیشترین احتمال تعلق پیکسل به آن کلاس وجود دارد (11).
شکل 3. نمودار روند پژوهش
Fig 3. Flowchart of research stages
ارزیابی صحت (Accuracy assessment)
الگوریتمهای طبقهبندی توانایی تشخیص و تولید کامل نقشه کاربری را ندارند و خروجیهای طبقهبندی معمولا دارای خطاهایی هستند. ارزیابی دقت طبقه بندی، یکی از مهمترین مولفهها در ارائه نتایج دقیق است. باتوجه به اینکه اعتبار و اهمیت نقشههای کاربری مناطق کشت برنج مهم میباشد. در این پژوهش به منظور ارزیابی نتایج بدست آمده از الگوریتم طبقهبندی نقشه کاربری اراضی متناسب با کاربریهای مورد نظر نمونههای واقعیت زمینی با چی پی اس دستی (Global Posistion System) به همراه نرم افزار گوگل ارث (Google Earth) در سطح منطقه مورد مطالعه برداشت شد. سپس اعتبار و دقت نتایج براساس صحت کلی و ضریب کاپا طبق رابطههای (1) و (2) ارزیابی شد.
[1] |
| ||||
[2] | احتمال توافق – 1 / (احتمال توافق) – (دقت مشاهده شده) = آماره کاپا | ||||
کلاس | برنج | شهر | باغات | جنگل | آّب |
برنج | 96.48 | 5.48 | 3.94 | 2.07 | 0.87 |
شهر | 0.85 | 85.53 | 1.50 | 0.85 | 0 |
باغات | 0.60 | 0.38 | 83.15 | 0.60 | 0 |
جنگل | 2.07 | 8.61 | 11.41 | 96.48 | 0 |
آّب | 0 | 0 | 0 | 0 | 99.13 |
جمع | 100 | 100 | 100 | 100 | 100 |
همچنین شکل (8) نقشه کاربری اراضی شالیزارها به همراه سایر کاربریهای موجود در منطقه مورد مطالعه در حوزه شهری مربوط به سری زمانی 2020 تا 2018 را نشان میدهد. مساحت هر یک از کاربریها نیز در جدول 2 ارائه شده است. همانطور که گفته شد بدلیل داشتن شرایط آب و هوایی و وجود خاک حاصلخیز وسعت مناطق کشت برنج بیشتر از سایر کاربریها میباشد بطوری که مساحت نقشه کاربریاراضی نیز نشان میدهد که بیشترین مساحت مربوط به کاربری شالیزار هست و همچنین کمترین مساحت مربوط به منابع آبی میباشد. سایر کاربری نیز نشان میدهد که کاربری باغات دارای دومین مساحت در بین دیگر کاربریها میباشد. باتوجه به شناخت منطقه و بازدیدهای میدانی صورت گرفته قابلیت تبدیل اراضی شالیزار به باغات (کیوی و خرمالو) بیشتر دیده میشود و این امر در کاهش سطح اراضی شالیزار در آینده بصورت قابل محسوس دیده خواهد شد. کاربری شالیزار بدلیل سختی کار، عدم مدیریت کافی در منابع آبی و خشک شدن چاههای آب، افزایش هزینههای کارگری و تبیعت از کشت سنتی و عدم مکانیزه بودن قابلیت سودآوری کافی و صرفه اقتصادی برای کشاورزان را ندارد. باتوجه به دلایل گفته شده محصول کیوی بدلیل سودآوری و جنبه صادرات به بازارهای داخلی و خارجی مورد توجه ویژه کشاورزان منطقه شده است. بطوری که دهستان جوکندان بیشترین میزان مساحت کشت کیوی را در بخش مرکزی شهر تالش به خود اختصاص میدهد علاوه بر این شهرستان تالش به عنوان قطب تولید محصولات کشاورزی کیوی در استان و کشور میباشد. تداوم روند تبدیل اراضی شالیزاری به باغات کیوی علاوه بر اینکه باعث کاهش سطح زیرکشت و تولید محصول برنج میشود بلکه زمینه را برای تغییرکاربری اراضی و واردات محصول برنج فراهم میکند (27).
شکل 8. نقشه طبقه بندی پیکسل پایه مناطق کشت برنج با استفاده از الگوریتم بیشترین شباهت
Fig 8. Supervised classification map of rice field areas using the maximum likelihood algorithm
جدول 3. مساحت کاربریهای اراضی
Table 3. Land use area
نوع کلاس | مساحت(هکتار | |
اراضی شالیزار | 7381.07 | |
اراضی شهری | 669.74 | |
اراضی باغی | 1641.55 | |
اراضی جنگلی | 1296.58 | |
منابع آبی | 12.72 | |
نتیجهگیری
اطلاع از پراکنش مکانی و سطح زیرکشت محصولات کشاورزی بخصوص محصولات استراتژیک و راهبردی همچون برنج، در برنامهریزیها، مدیریت صحیح، تصمیمگیریها و تدوین سیاستها در سطح کشور ابزاری مهم و حائز اهمیت است. باتوجه به اینکه روشهای مرسوم تعیین سطح زیرکشت محصولات کشاورزی زمانبر، هزینهبر و دارای خطاهای مختلف میباشند استفاده از آنها در تصمیمگیریهای کلان کشور قابل اطمینان نخواهد بود. امروزه سنجش ازدور بدون نیاز به مراجعه حضوری، پوشش وسیع مکانی و زمانی مناسب به عنوان ابزاری مفید جهت پایش مناطق کشت برنج محسوب میشوند. بیش از 70 درصد اراضی شالیزارها در مناطق شمالی کشور کشت میشود (26). اما باتوجه به محدودیتهایی که دادههای اپتیکی در مناطق شمالی بدلیل شرایط جوی ابرناکی در زمان کشت برنج دارند استفاده از این دادهها میسر نمیباشد . لذا هدف از این مطالعه استفاده از مزیتهای دادههای راداری (قابلیت عبور از ابر، متاثر نبودن از شرایط جوی و تصویربرداری در روز و شب، دارای دقت نسبتا مناسب در سطح منطقهایی با قدرت تفکیک مکانی 5 متر و قدرت تفکیک زمانی 12 روز) براساس فنولوژی کشت برنج جهت شناسایی مناطق کشت برنج میباشد (26). بازپراکنش دادههای راداری از سطح شالیزارها به طول دوره کشت، افزایش زیست توده، ارتفاع گیاه، رطوبت خاک، مدت زمان و تعداد دفعات غرقابی بستگی دارد. در این پژوهش با بررسی تقویم زمانی کشت برنج اقدام به تعریف بازههای زمانی متناسب با فنولوژی کشت برنج شد. نتایج نشان میدهد که بازپراکنش پلاریزاسیون vv کاملا وابسته به چرخه فنولوژیکی کشت برنج میباشد بطوری که میزان بازپراکنش در مرحله غرقابی و آبگیری گیاه برنج بدلیل وجود آب در سطح مزارع کمتر میباشد. در ادامه مراحل رشد گیاه برنج باتوجه به افزایش سبزینگی و تولید اندامهای زایشی گیاه برنج میزان بازپراکنش راداری افزایش پیدا میکند. در مرحله آخر رشد برنج بدلیل رسیدگی دانه برنج و عدم رشد ارتفاعی گیاه برنج میزان بازپراکنش راداری مقداری کاهش پیدا میکند. بطور کلی در مراحل کشت برنج خاک پس زمینه باعث کاهش بازپراکنش دادههای راداری میشود (10). با برداشت محصول برنج میزان بازپراکنش راداری بین اعداد (12- تا 10-) میباشد و این روند در سری زمانی باتوجه به خصوصیات برنج (باقی ماندن زیست توده گیاهی) ثابت میباشد. بطوری که در سایر کاربریها مقدار بازپراکنش پلاریزاسیون vv متفاوتر از نمودار شالیزارهای برنج میباشد. در نتیجه میتوان گفت رابطه مستقیمی بین امواج بازتاب شده از سطح شالیزارها با مراحل فنولوژیکی گیاه برنج وجود دارد. در نهایت پس از بررسی نمودار بازپراکنش، مناطق کشت برنج براساس مراحل فنولوژیکی بصورت اولیه نمایان شدند. نقشه کشت برنج براساس مناطق شناسایی شده از بازپراکنش راداری در 5 کلاس کاربری (اراضی شالیزاری، اراضی مسکونی، اراضی باغی، اراضی جنگلی و منابع آبی) با استفاده از روش طبقه بندی نظارت شده با الگوریتم بیشترین شباهت در محیط نرم افزارENVI5.3 استخراج شد. دقت کلی و ضریب کاپای این الگوریتم به ترتیب برابر با 91.57 درصد و 0.75 است. نتایج نشان میدهد که استفاده از بازپراکنش دادههای راداری باعث افزایش دقت طبقهبندی میشود که با نتایج فان و همکاران (25) مطابقت دارد. همچنین استفاده از سری زمانی تصاویر ماهوارهای جهت تفکیک اراضی کشاورزی از سایر پدیدهها دارای طیف مشابه موثرتر میباشد. میتوان به این موضوع اشاره کرد که در گذشته بدلیل نبود دادههای راداری با قدرت تفکیک مطلوب و از همه مهمتر در دسترس نبودن این دادهها یکی از عوامل محدودکننده مطالعات بخصوص در مناطق باشرایط جوی ابرناکی بوده است همچنین دادههای اپتیکی بصورت سری زمانی در مناطقی مانند شمال کشور بدلیل وجود ابر قابلیت کارایی زیادی نداشتهاند امروزه دادههای ماهوارهای سنتینل 1 با پوشش زمانی و مکانی مناسب و در دسترس بودن به عنوان یک ابزار مهم و مفید جهت شناسایی مناطق کشت برنج محسوب میشوند. عوامل مختلفی روی بازپراکنش یکسان دادههای راداری تاثیر دارند بطوری که امروزه بدلیل تنوع ارقام برنج زمان نشاکاری و برداشت محصولات در یک زمان انجام نمیشود. همچنین بدلیل پراکندگی اراضی کشت برنج، وسعت کوچک اراضی کشت برنج و طیف محصولات مشابه توصیه میشود جهت دستیابی به نتایج بهتر از دادههای با قدرت تفکیک مکانی بالا و تصاویر با برنامه زمانی منظم اپتیکی توام با دادههای راداری استفاده شود. همچنین میتوان گفت باتوجه به در دسترس بودن منظم دادههای راداری میتوان براساس خصوصیات فنولوژیکی کشت برنج اقدام به آستانه گذاری در مراحل رشد برنج کرد تا از این طریق به همراه روشهای مبتنی به شی پایه به نتایج بهتری دست یافت.
Refrences
1. Alipour F, Aghkhani M H, Abbas Pourfard M H, Sepehr A. 1393. Separation of area and estimation of area under cultivation of agricultural products with the help of satellite images. Agricultural Machinery 4(2): 244- 254. (In Persian).
2. Alizadeh H, Khairkhah Zarkesh M M, Abkar A A, Vafainejad A, Sadeghi Naeini A. 1391. Preparation of spatial distribution map of rice paddies using time series data of Terra satellite modis sensor. Journal of Remote Sensing and Iran GIS 4(2): 75- 96. (In Persian).
3. Ansari A, Ali Mohammadi Sarab A. 1390. Using multi-time classification method and AVHRR sensor data of NOAA satellite in order to accurately estimate the area under rice crop in Guilan province. Space Planning and Planning (Teacher of Humanities) 15(2): 1-16. (In Persian).
4. Abdullahzadeh M, Nasiri Baradran M. 2008. Determining the area under potato cultivation in Borujen city using the time series of images. IRSP6 Geomatics Conference, Mapping Organization, Tehran. (In Persian).
5. Bahramvash Shams sh. 2014. Automatic paddy rice mapping interface using arcengine and LANDSAT8 imageri (case study in north part of iran). 1st ISPRS international conference on geospatial information research 2(3): 79-83. (In Persian).
6. Bazzi H, Baghdadi N, El Hajj M, Zribi M, Minh D H T, Ndikumana E, Belhouchette H. 2019. Mapping Paddy Rice Using Sentinel-1 SAR Time Series in Camargue. France. Remote Sensing 11(7): 887. doi:https://doi.org/10.3390/rs11070887.
7. Bolun LI, Chaopu TI, Xiaoyuan Y. 2020. Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detection. Pedosphere 30(6): 734-746. doi: https://doi.org/10.1016/S1002-0160(17) 60405-3.
8. Chang L, Chen Y T, Wang J H, Chang Y L. 2020. Rice-Field Mapping with Sentinel-1A SAR Time-Series Data. Remote Sensing 13(1): 103.
9. ,,. 2018. Mapping rice areas with Sentinel-1 time series and superpixel segmentation. International Journal of Remote Sensing 39(5):
10. Dineshkumar C, Kumar J S, Nitheshnirmal S. 2019. Rice Monitoring Using Sentinel-1 Data in the Google Earh Engine Platform. Proceedings 24(1): 4. doi: https://doi.org/10.3390/IECG2019-06206 .
11. Fatemi s b. Rezaie Y. Principles of Remot Sensing. Azadeh Press. 350pp. (In Persian).
IRRI: 1993–1995. IRRI Rice Almanac. International Rice Research Institute, Po Bax 933, 1099 Manila, Philippin
, , Detection of rice and soybean grown fields and their related cultivation area using Sentinel-2 satellite images in summer cropping patterns to analyze temporal changes in their cultivation area (Case study: four watershed basins of Golestan Province) (In persian with English Summary).
,. (In Persian).
15. Kumar L, Mutanga O. 2018. Google Earth Engine Applications Since Inception: Usage, Trends, and Potential. Remote Sensing 10(10): 1509. doi: https://doi.org/10.3390/rs10101509.
,,,,, A. 2021. Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia. International Journal of Remote Sensing 42(5): 1738-1767. doi:https://doi.org/10.1080/01431161.2020.1842541.
17. Mosleh M K, Hassan Q K, Chowdhury E H. 2015. Application of remote sensors in mapping rice area and forecasting its production: a review. Sensors (Basel, Switzerland) 15(1): 769-791.
doi: https://doi.org/10.3390/rs11070887.
18. Moeini Rad A, Ashourloo D, Salehi Shahrabi H, Nematollahi H. 2019. Developing an Automatic Phenology-Based Algorithm for Rice Detection Using Sentinel-2 Time-Series Data, in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 12( 5): 1471-1481. doi: https://doi.org/10.1016/j.isprsjprs.2019.08.007.
19. Najmi H, Abkar A A, Agham- Mohammadi M, Javadi Q. 1394. Preparation of rice production map using a combination of remote sensing data and spatial information system. National Geomatics Conference, National Mapping Organization 22. (In Persian).
,,,, ,, 2016. Mapping rice extent and cropping scheme in the Mekong Delta using Sentinel-1A data, Remote Sensing Letters, 7(12): 1209-1218.
doi: https://doi.org/10.1080/2150704X.2016.1225172.
21. Nooruzi A A, Sanehi M, Razzaqi Z. 1397. Identification and differentation of rice fields using semi-automatic method in north Iran. Iranian Journal of Agriculture and Plant Breeding 14(4): 11-21. (In persian with English Summary).
22. Onojeghuo A O, Blackburn G A, Wang Q, Atkinson P M, Kindred D, Miao Y. 2018. Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data. International Journal of Remote Sensing 39(4): 1042-1067. https://doi.org/10.1080/01431161.2017.1395969.
23. Potin P, Rosich B, Roeder J, Bargellini P. 2014. Sentinel-1 Mission operations concept. IEEE Geoscience and Remote Sensing Symposium, Quebec City, QC, Canada 13(18): 1465-1468.
24. Park S, Im J, Park S, Yoo C, Han H, Rhee J. 2018. Classification and Mapping of Paddy Rice by Combining Landsat and SAR Time Series Data. Remote Sensing 10(3): 447. https://doi.org/10.3390/rs10030447.
25. Phan, H., Le Toan, T., Bouvet, A., Nguyen, L., Pham Duy, T and M. Zribi. 2018. Mapping of Rice Varieties and Sowing Date Using X-Band SAR Data. Sensors 18(1): 316. doi:https://doi.org/10.3390/rs11141666.
26. Pham L. H., Pham L T, Dang T D, Tran D D, Dinh T Q. 2021. Application of Sentinel-1 data in mapping land-use and land cover in a complex seasonal landscape: a case study in coastal area of Vietnamese Mekong Delta. Geocarto International. doi:https://doi.org/10.1080/10106049.2020.1869329.
27. Raheb A, Heidari A, 1391. Investigation of the characteristics affected by the change of use of paddy field to kiwi curry in some soils of Tonekabon city, northern Iran. Electronic Journal of Soil Management and Sustainable Production 2 (2): 1-25. (In Persian).
28. Riahi V, Zeaiean Firouzabadi P, Azizpour F, Darouei P. Identification and investigation of the area under cultivation in Lenjanat using Landsat 8 satellite images. jgs. 2019; 19 (52) :147-169. (In Persian).
29.Rudiyanto F, Minasny B, Shah R M, Che Soh N, Arif C, Indra Setiawan B. 2019. Automated Near-Real-Time Mapping and Monitoring of Rice Extent, Cropping Patterns, and Growth Stages in Southeast Asia Using Sentinel-1 Time Series on a Google Earth Engine Platform. Remote Sensing 11(14): 1666. doi:https://doi.org/10.3390/rs11141666
30. Saadat M, Hasanlou M, Homayouni S. 2019. RICE CROP MAPPING USING SENTINEL-1 TIME SERIES IMAGES (CASE STUDY: MAZANDARAN, IRAN). Conferences of SMPR and GI Research, Karaj, Iran 2(4): 897-904. (In persian).
31. Singha M, Dong J, Zhang G, Xiao X. 2019. High resolution paddy rice maps in cloud-prone Bangladesh and Northeast India using Sentinel-1 data. Sci Data 6(26): . doi:https://doi.org/10.1038/s41597-019-0036-3.
,, ,,,. 2021. A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar (SAR) data in Taiwan. International Journal of Remote Sensing 42(7): 2722-2739. doi:https://doi.org/10.1080/01431161.2020.1862440.
33. Son NT, Chen CF, 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 65(8): 1911-1921. doi:https://doi.org/10.1016/j.asr.2020.01.028.
34. Soltani N, Mohammadnejad V. 1399. The efficiency of Google Earth Engine (GEE) system in assessing land use changes and predicting it with Markov model (case study of Urmia plain). remote sensing and GIS in natural resources 12 (3): 101-114(In persian with English Summary).
35. Tian H, Wu M, Wang L, Niu Z. 2018. Mapping Early, Middle and Late Rice Extent Using Sentinel-1A and Landsat-8 Data in the Poyang Lake Plain, China. Sensors 18(2): 1-15.
doi: https://doi.org/10.3390/s18010185.
36. Talema T, Hailu B. 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(1): 100290. doi: https://doi.org/10.1016/j.rsase.2020.100290.
37. Xiao X, Boles S, Liu J, Zhuang D, Frolking S, Li C, Salas W, Moore Iii B. 2005. Mapping Paddy Rice Agriculture in Southern China Using Multi-temporal MODIS Images. Remote Sensing of Environment 95(4): 480-492. doi:https://doi.org/10.1016/j.rse.2005.10.004.
38 Xu L, Zhang H, Wang C, Wei S, Zhang B, Wu F, Tang Y. 2021. Paddy Rice Mapping in Thailand Using Time-Series Sentinel-1 Data and Deep Learning Model. Remote Sensing 13(19): 3994. doi:https://doi.org/10.3390/rs13193994.
39. Zhang X, Wu B, Ponce-Campos G, Zhang M, Chang S, Tian F. 2018. Mapping up-to-Date Paddy Rice Extent at 10 M Resolution in China through the Integration of Optical and Synthetic Aperture Radar Images. journal Remote Sensing 10(8): 1200. doi:https://doi.org/10.3390/rs10081200.
Preparation of rice cultivation map based on phenological characteristics using time series of sentinel 1 images
Abstract
The purpose of this study is to identify Paddy Rice field and prepare a land use map based on the phenological characteristics of rice plants using the backscatering of radar data in the Google Earth engine Platform. In order to increase the accuracy of backscatering intensity changes, a 2-year time series was selected. Then, initial identification and land classification were performed. First, the relationship between VV polarization backscatering process and phenological cycle of rice plant was investigated. The results of VV polarization backscatering diagram analysis show that in the first stage of rice plant growth due to moisture, flooding and lack of sufficient vegetation, the backscatering rate was lower. In the second stage of rice plant growth, the amount of backscatering is higher due to increased vegetation and water surface coverage. While in the third stage of rice plant growth, due to the ripening of rice plant seeds and also drying of the paddy fields to harvest, the backscatering rate decreases. Then, by managing time periods and using color combination, the types of uses were identified. After initial identification, in order to achieve better results, a user map of the central part of the effort was prepared using the supervised classification method using the most similar algorithm. After preparing the user map, the accuracy of the map was evaluated using ground samples. The overall accuracy and kappa coefficient of this algorithm are 91.57% and 0.75, respectively. The results showed that the use of phenological data reprocessing time series in accordance with phenology in classifications increases the accuracy of classification. The results also show that the use of Sentinel 1 images along with the Google Earth engine Platform will have a high efficiency in monitoring paddy lands in the northern regions due to the presence of clouds.
Keywords: Paddy Rice field, Radar backscatering coefficient, Remote sensing, Polarization
تهیه نقشه کشت برنج براساس خصوصیات فنولوژیکی با استفاده از سری زمانی تصاویر سنتینل 1
چکیده مبسوط
پیشینه و هدف باتوجه به اینکه روشهای متعددی جهت شناسایی و تفکیک سطح زیرکشت برنج و در نهایت تهیه نقشه کشت برنج وجود دارد. در کشور ما سه روش جهت برآورد سطح محصولات کشاورزی وجود دارد که شامل: روشهای كارشناسی، برآورد از طريق فهرست برداری و در نهایت استفاده از فناوریهای جديد میباشد. امروزه فناوری سـنجش از دوری بـه دليـل داشـتن قابلیتهایی مانند چند زمانه بودن، چنـد طيفـی بـودن، برخورداری از قدرت تفکيک مکانی و راديومتريکی مناسـب و متنـوع، ديـد وسـيع و يکپارچه همچنین دادههای به هنگام و دقیق قـادر بـه تفکيـک کاربریها و پديـدههـای مختلـف کشاورزی از جمله سطح، نوع و الگوهای زمانی و مکانی کشت هستند. هدف از این پژوهش شناسایی اراضی شالیزار و تهیه نقشه کاربری براساس خصوصیات فنولوژیکی گیاه برنج با استفاده از بازپراکنش دادههای راداری سنتینل 1 در سامانه گوگل ارث انجین است.
مواد و روشها دادههای مورد استفاده در این پژوهش شامل سری زمانی تصاویر راداری ماهواره سنتینل 1 در بازه زمانی 2018 تا 2020 میباشد.به منظور شناسایی اولیه اراضی شالیزار، ابتدا ارتباط بین بازپراکنش پلاریزاسیون VV و چرخه فنولوژیکی گیاه برنج بررسی شد سپس نسبت به مدیریت روند تغییرات بازپراکنش در 3 بازه زمانی(قبل از کشت محصول، زمان کشت محصول و بعد از برداشت محصول) و اطلاعات دقیق زمان کشت و چرخه فنولوژیکی گیاه برنج، نوع کاربری را تشخیص دادیم. پس از آن جهت دستیابی به نتایج بهتر اقدام به تهیه نقشه کاربری بخش مرکزی شهرستان تالش با روش طبقهبندی نظارت شده با استفاده از الگوریتم بیشترین شباهت شد. در نهایت جهت صحت نقشه کاربری استخراج شده از دقت کلی و ضریب کاپا با استفاده از دادههای زمینی برداشت شده ودادههای سطح گوگل ارث ارزیابی شد.
نتایج و بحث نتایج تجزیه و تحلیل روند نمودار بازپراکنش پلاریزاسیون VV نشان میدهد که در مرحله اول رشد گیاه برنج بدلیل وجود رطوبت، غرقابی بودن و عدم وجود سبزینگی کافی میزان بازپراکنش به شدت کاهش پیدا میکند. در مرحله دوم رشد گیاه برنج بدلیل افزایش ارتفاع گیاه برنج و تولید اندامهای زایشی منجر به افزایش سبزینگی و پوشانده شدن سطح آب میشود که بازپراکنش طیف غالب گیاه برنج افزایش پیدا میکند. درحالی که در مرحله سوم رشد گیاه برنج، بدلیل رسیدگی بذر گیاه برنج و همچنین قطع شدن آّب ورودی به سطح شالیزارها جهت برداشت محصول، میزان بازپراکنش کاهش پیدا میکند. دقت کلی و ضریب کاپای نقشه کاربری اراضی به ترتیب برابر با 91.57 درصد و 0.75 میباشد.
نتیجه گیری کلی اطلاع از پراکنش مکانی و سطح زیرکشت محصولات کشاورزی بخصوص جهت برنامه ریزیها، تصمیمگیریها و تدوین سیاستها در سطح کشور ابزاری مهم و حائز اهمیت است. باتوجه به اینکه 70 درصد از اراضی شالیزارها در مناطق شمالی کشور کشت میشوند و همچنین باتوجه به محدودیت دادههای اپتیکی در شرایط ابرناکی در این پژوهش به منظور شناسایی اراضی شالیزار و تهیه نقشه کاربری از تصاویر راداری ماهواره سنتینل1 در باند c با قدرت تفکیک مکانی و زمانی مناسب استفاده شده است. نتایج نشان داد که استفاده از سری زمانی بازپراکنش دادههای راداری متناسب با فنولوژی کشت برنج در طبقهبندیها باعث افزایش دقت طبقهبندی میشود. همچنین نتایج نشان میدهد که استفاده از تصاویر راداری سنتینل1 به همراه سامانه گوگل ارث انجین کارایی بالایی در جهت نظارت بر اراضی شالیزار در مناطق شمالی بدلیل وجود ابر خواهند داشت.
واژههای کلیدی: شالیزار، ضریب بازپراکنش راداری، سنجش ازدور، پلاریزاسیون
Preparation of rice cultivation map based on phenological characteristics using time series of sentinel 1 images
Extended Abstract
Background and Objective Due to the fact that there are several methods to identify and differentiate the area under rice cultivation and finally prepare a rice cultivation map. In our country, there are three methods for estimating the level of agricultural products, which include: expert methods, estimation through cataloging, and finally the use of new technologies. Nowadays, remote sensing technology has the capabilities of being multi-time, multi-spectral, having a suitable and varied spatial and radiographic resolution, wide and integrated vision, as well as timely and accurate data capable of using separation. Various agricultural phenomena include the level, type and temporal and spatial patterns of cultivation. The purpose of this study is to identify paddy rice field and prepare a land use map based on the phenological characteristics of rice plants using the backscatering of Sentinel 1 radar data in the Google Earth Engine Platform.
Materials and Methods The data used in this study include the time series of radar images of Sentinel 1 satellite in the period 2018 to 2020. In order to initially identify paddy lands, first the relationship between VV polarization backscatering and the phenological cycle of rice is investigated. Then, in order to manage the process of backscatering changes in 3 time periods (before crop, time of crop and after harvest) and accurate information about the time of cultivation and phenological cycle of rice, we identified the type of use. After that, in order to achieve better results, a user map of the central part of Talesh city was prepared using the supervised classification method using the most similar algorithm. Finally, for the accuracy of the user map extracted from the overall accuracy and kappa coefficient was evaluated using the ground data collected and Google Earth level data.
Results and Discussion The results of the analysis of the VV polarization redistribution diagram show that in the first stage of rice plant growth, the backscatering rate decreases sharply due to the presence of moisture, water logging and lack of sufficient vegetation. In the second stage, the growth of rice plant due to increasing the height of rice plant and the production of reproductive organs leads to increased greenery and water cover, which increases the redistribution of the dominant spectrum of rice plant. While in the third stage of rice plant growth, due to the ripening of rice plant seeds and also the cut-off of incoming water to the surface of paddy fields to harvest the crop, the redistribution rate decreases. The overall accuracy and kappa coefficient of the land use map are 91.57% and 0.75, respectively.
Conclusion General information about the spatial distribution and area under cultivation of agricultural products, especially for planning, decision-making and policy-making in the country is an important tool. Considering that 70% of paddy lands are cultivated in the northern regions of the country and also due to the limitation of optical data in cloudy conditions in this study to identify paddy lands and prepare a user map of radar images of Sentinel 1 satellite in c band with power Appropriate spatial and temporal separation has been used. The results showed that the use of radar data retransmission time series in accordance with rice cultivation technology in the classifications increases the classification accuracy. The results also show that the use of Sentinel 1 radar images with Google Earth engine Platform will have high efficiency in monitoring paddy rice field in the northern regions due to the presence of clouds.
Keywords: Paddy Rice field, Radar backscatering coefficient, Remote sensing, Polarization
