Preparation of rice cultivation map based on phenological characteristics using time series of sentinel 1 images

Subject Areas : Agriculture, rangeland, watershed and forestry

sayyad asghari saraskanroud ¹ , hosein sharifi tolaroud ² , Behrouz Sobhani ³

1 - ئئ
2 - Msc student, Mohaghegh Ardabili University, Ardabil, Iran
3 - University of Mohaghegh Ardabili

Received: 2022-04-30 Accepted : 2022-08-21 Published : 2024-09-29

Keywords: Radar backscatering coefficient, polarization, Paddy Rice field, remote sensing,

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.

Full-Text:



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.

در اين رابطه؛ K ضریب کاپا، OA نشان دهنده صحت كلي و N معرف  تعداد كل پيكسل­های طبقه بندی شده و نمايه مجموع پيكسل­های قطر اصلی ماتريس خطا (تعداد كل پيكسل­های درست طبقه بندی شده) است.

 

 

 

نتایج 

نتایج روند تغییرات بازپراکنش تصاویر راداری نشان می­دهد که بازپراکنش راداری کاملا وابسته به مراحل فنولوژیکی گیاه برنج می­باشد به همین دلیل در طی مراحل رشد برنج بازپراکنش راداری متفاوتی در چرخه رشد برنج وجود دارد(35). بطوری که قبل از مرحله نشاءکاری مناطق کشت برنج بدون هیچ گونه فعالیت کشاورزی دیده می­شوند و در فصل­های پائیز و زمستان عاری از کشت می­باشد، شکل (4) نشان می­دهد که میزان بازپراکنش این ماه­های سال در بازه عددی 8- تا 12- ثابت می­باشد همانطور که در بخش مواد و روش اشاره شد نشاءکاری گیاه برنج در اردیبهشت ماه (May) شروع می­شود. بازپراکنش مرحله اول کشت برنج متفاوت از بقیه ماه­های سال می­باشد. علاوه بر دید بصری در تصویر ماهواره­ای، در روند تغییرات بازپراکنش نیز خودش را نشان می­دهد. در تاریخ 7 اردیبهشت ماه (May) مرحله اول کشت برنج (آبگیری و غرقابی) بدلیل وجود سطوح صاف، هموار آب و عدم وجود سبزینگی کافی از گیاه برنج و میزان خاک پس زمینه در این مرحله میزان بازپراکنش راداری در نمودار بصورت کلی کاهش پیدا کرده است. به نوعی می­توان گفت ضریب بازپراکنش در مرحله اول رشد گیاه برنج کاهش پیدا کرده است. همانطور که در نمودار دیده می­شود میزان بازپراکنش راداری در زمان آبگیری و غرقابی گیاه برنج  کمتر از 16- می­رسد. بصورت کلی کاهش بازپراکنش داده­های راداری را می­توان به مرحله آبگیری و همچنین به عدم نفوذ امواج رادار در زمین­های خشک مرتبط دانست (30).

 

شکل 4. نمودار ضریب بازپراکنش سری زمانی 2018- 2020

Fig 4. Graph of backscattering coefficient of time series 2020-2018

 

شکل 5. مرحله اول آبگیری زمین و نشاکاری

Fig 5. The first stage of land dewatering and transplanting

در ادامه مراحل رشد گیاه برنج با تولید اندام­های زایشی و رشد ارتفاعی میزان سبزینگی گیاه برنج افزایش پیدا می­کند بطوری که سطح آب موجود در سطح مزارع کمتر دیده می­شود و طیف غالب گیاه برنج سطح زمین را اشغال می­کند به همین دلیل بازپراکنش راداری بدلیل سطوح ناهموار بیشتر از پالس­های منعکس شده آب هستند بنابراین بازپراکنش راداری در اوایل و اواسط خرداد ماه (june) با افزایش سبزینگی افزایش پیدا کرده است. . باتوجه به شکل(4) میزان بازپراکنش راداری در مرجله دوم رشد گیاه برنج افزایش پیدا می­کند و میزان بازپراکنش این چرخه 12- تا 14- می­رسد.

 

شکل 6. مرحله دوم رشد اندام­های زایشی و سبزینگی

Fig 6. The second stage of reproductive and green organ growth

در نهایت مرحله اخر رشد گیاه برنج، مرحله رسیدگی و برداشت محصول می­باشد در این مرحله میزان رشد ارتفاعی و رشد اندام­های زایشی گیاه برنج متوقف شده میزان آب مصرفی گیاه کاهش پیدا می­کند. همچنین جهت برداشت محصول و خشک شدن سطح زمین آب ورودی کامل قطع می­شود. در نتیجه با وجود حرارت لازم در فصل تابستان برنج آماده رنگ گرفتن و زرد شدن می­شود که منجر به رسیدگی کامل دانه گیاه برنج می­شود. در این مرحله بازپراکنش راداری بدلیل رسیدگی گیاه برنج و عدم رشد ارتفاعی در حد ثابت می­ماند و با برداشت محصول برنج از سطح زمین میزان بازپراکنش راداری کاهش پیدا کرده و در حالت عادی باقی می­ماند (10).  این نکته حائز اهمیت است که زمین­های برنج بعد از برداشت گیاه برنج عاری از پوشش گیاهی نمی­شوند. به دلیل استفاده از کودهای شیمیایی در زمان کشت و رشد برنج، ساقه برنج به طور کامل قابل استفاده برای سایر محصولات گیاهی نیست به همین دلیل میزان پوشش گیاهی باقی مانده در سطح زمین­های کشاورزی دارای رنج بازپراکنش (10- تا 12-) هستند. بطور کلی می­توان گفت که حساسیت باند c ماهواره سنتینل 1 به رشد و نمو مراحل فنولوژیکی گیاه برنج عامل اصلی تفاوت در بازپراکنش داده­های راداری می­باشد (29) در این پژوهش بازپراکنش سایر پدیده­ها نیز جهت بررسی تفاوت و دستیابی به نتایج مطلوب بررسی شد. نتایج نشان می­دهد که کاربری مسکونی، شهر بدلیل ساختمان­ها و سایر اشیاء بدلیل انعکاس گوشه­ای (Corner Reflections) بالاترین مقدار بازپراکنش برخوردار هستند. اما تغییرات بازپراکنش در این نوع پدیده­ها دیده نمی­شود معمولا بازه عددی 3- تا 4- را دارا هستند. در سایر کاربری­ها نیز تغییرات آنچنانی در طول سال دیده نمی­شود. بنابراین سایر کاربری­ها روند بازپراکنش متفاوتی را با گیاه برنج دارند که این امر در مطالعات گذشته نیز به اثبات رسیده است (30، 31). همچنین باتوجه به خصوصیات داده­های راداری و حساسیت آنها به تغییرات ارتفاعی، ذکر این نکته واجب است. سایر کاربری­ها در طول یک یا دو سال شرایط تغییرات ارتفاعی مانند رشد و نمو اراضی شالیزار در چرخه فنولوژیکی کشت برنج در سطح منطقه مورد مطالعه را ندارند هر چند محصولات مختلفی بصورت پراکنده و در سطح کوچک کشت می­شوند اما این محصولات در سری زمانی همخوانی زیادی با چرخه فنولوژیکی کشت برنج ندارند و غرقابی بودن گیاه برنج بازپراکنش این پدیده­ها را متمایز می­کند.

 

شکل 7. بازپراکنش سایر کاربری­ها (جنگل، شهر، باغ، آب)

Fig 7. Backscatter of other uses (forest, city, garden, water)

در نهایت بعد از بررسی نمودار بازپراکنش، نقشه کاربری منطقه مورد مطالعه در حوزه شهری با تاکید بر ارتفاع قابل قبول کشت برنج استخراج شد. ارزیابی دقت نقشه کاربری نشان می­دهد که نمودار بازپراکنش تصاویر راداری بدلیل همخوانی زیاد با تقویم زراعی کشت برنج، تاثیر زیادی روی دقت نقشه استخراج شده دارد. بطوری که ماتریس خطای دقت طبقه­بندی نشان می­دهد که دقت کلی برابر با 91.57 درصد و ضریب کاپای 0.75 است. این دقت نشان می­دهد که الگوریتم بیشترین شباهت دقت بالایی در استخراج مناطق کشت برنج با استفاده از تصاویر راداری همراه با سایر کاربری­ها دارد. نتایج آماری صحت سنجی جدول(1) نشان می­دهد که الگوریتم بیشترین شباهت دقت خوبی در تفکیک کاربری­ها داشته بطوری که کلاس کاربری برنج باتوجه به اینکه شباهت طیفی در مرحله آبگیری با کلاس منابع آبی و در مرحله اوج سبزینگی با کلاس کاربری باغات و اراضی جنگلی داشته ولی بدلیل استفاده از سری زمانی و توجه به چرخه فنولوژیکی کشت برنج از دقت خوبی معادل 96.48 درصد در تفکیک بین کاربری­ها برخوردار بوده است. کلاس کاربری منابع آبی بدلیل همگن و خالص بودن بیشترین دقت در تفکیک بین کاربری­ها را بخود اختصاص داده و همچین کمترین دقت تفکیک بین کاربری­ها مربوط به کلاس کاربری باغات و اراضی شهری بوده است. باتوجه به شناخت منطقه مورد مطالعه و استفاده از گوگل ارث اینچنین برداشت شد که دلیل تداخل پپکسلی در تفکیک بین کاربری باغی و کاربری شهری به وسعت کوچک و پراکنده بودن این کاربری­ها در مناطق روستایی و حومه شهر بوده است. منطقه مورد مطالعه بدلیل دارا بودن شرایط آب و هوایی مناسب و خاک حاصل خیز از دیرباز مورد توجه خانواده­ها به کشت درختان میوه از جمله پرتغال، نارنج، کیوی و امروزه نیز خرمالو رونق داشته است و به دلیل سطح کوچک باغات تداخل پیکسلی بیشتره دیده می­شود. نتایج ارزیابی صحت نقشه­کاربری طبقه بندی شده در جدول 1 ارائه شده است.

جدول2. اطلاعات نقشه کاربری اراضی شالیزار (صحت سنجی)

Table 2. Land use map information of paddy rice fields (validation)

[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. Clauss K, Ottinger M, Kuenzer C. 2018. Mapping rice areas with Sentinel-1 time series and superpixel segmentation.  International Journal of Remote Sensing  39(5): 1399-1420.

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).

12. IRRI: 1993–1995. IRRI Rice Almanac. International Rice Research Institute, Po Bax 933, 1099 Manila, Philippines 1993.

13. Kamkar B, Dashti Marvili  M, Kazemi H. 1398. 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). Journal of Soil and Water Conservation Research 26 (1): 151-167. (In persian with English Summary). 

14. Khodakarami L, Sufyan A. 1391. Application of multi-time remote sensing for Percision Farming.  Journal of Soil and Water Sciences (Agricultural Science and Technology and Natural Resources) 16(59): 215- 230.  (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.

16. Gandharum L, Mari E, Mulyani., Djoko M, Hartono, Asep Karsidi, Mubariq 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).

20. Nguyen, Duy Ba.,  Gruber, Alexander ., Wagner , Wolfgang.,  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.

32. Son NT, Chen C, Chen C R, Toscano P, Cheng Y S, Guo H Y, Chien H S. 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

 

 

---