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

محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداری

مصطفی کابلی زاده ¹ , کاظم رنگزن ² , خلیل حبشی ³

1 - گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز
2 - گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز
3 - دانش آموخته کارشناسی ارشد بیابان زدایی، دانشکده منابع طبیعی، دانشگاه صنعتی اصهان

تاریخ دریافت : 1401/08/02 تاریخ پذیرش : 1401/09/14 تاریخ انتشار : 1401/09/14

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

چکیده مقاله :

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

چکیده انگلیسی:

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